Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/fredgainza/generateacp
Génération data et graphs d'une ACP
https://github.com/fredgainza/generateacp
acp analysis-package cercle-correlation coordonnees-factorielles correlation eboulis projection-individus variance variance-expliquee vecteurs-propres
Last synced: about 2 months ago
JSON representation
Génération data et graphs d'une ACP
- Host: GitHub
- URL: https://github.com/fredgainza/generateacp
- Owner: FredGainza
- License: mit
- Created: 2022-11-18T15:14:18.000Z (about 2 years ago)
- Default Branch: main
- Last Pushed: 2022-11-29T19:49:29.000Z (about 2 years ago)
- Last Synced: 2023-03-06T09:32:18.768Z (almost 2 years ago)
- Topics: acp, analysis-package, cercle-correlation, coordonnees-factorielles, correlation, eboulis, projection-individus, variance, variance-expliquee, vecteurs-propres
- Language: Python
- Homepage:
- Size: 1.43 MB
- Stars: 3
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# generateACP
[](https://fgainza.fr) [](https://mybinder.org/v2/gh/FredGainza/generateACP.git/HEAD)
***
##
Fonction générant les calculs et les graphiques d'une ACP.
***
### Paramètre principal à renseigner => dataframe avec :
- en index : la variable d'observation
- en colonnes : les variables explicatives quantitatives
- en ligne : les individus / observations
### Structure de l'analyse réalisée :
#### Information sur les données
* données initiales
* données centrées réduites
#### Recherche du nombre de facteurs à retenir
* graphique eboulis des valeurs propres
* calcul de la proportion de variance expliquée
* test des bâtons brisés
#### Représentation des individus
* coordonnées factorielles des individus
* qualité de la représentation des individus (cos² de chaque individu par axe)
* contribution des individus aux axes
#### Représentation des variables
* les vecteurs propres
* corrélations par facteur
* qualité de la représentation des variables (cos² de chaque variable par axe)
* contribution des variables aux axes
#### Traitement des variables supplémentaires
* variables illustratives quantitatives
* variables illustratives qualitatives
#### Représentation graphique (pour chaque plan factoriel)
* Projection des individus
* Cercle des corrélations
## 2. Installation
### Exemple avec Anaconda
```bash
### Créer un dossier pour le projet
$ mkdir /vers/dossier/testACP
### Se déplacer dans le dossier
$ cd /vers/dossier/testACP
### Créer un nouvel environnement
$ conda create -n envAcp python=3.9
### Activer le nouvel environnement
$ conda activate envAcp
### Installer le module generateAcp
$ pip install git+https://github.com/FredGainza/generateACP.git
```
Pour utiliser le module dans un notebook, il faut importer la fonction **acp_global()** :
```python
from generateACP import acp_global
```
Les modules suivants seront automatiquement installés :
- pandas
- numpy
- scikit-learn
- matplotlib
- jupyter
- adjustText
- pdfservices-sdk
- openpyxl
## Documentation
RDV [ICI](https://FredGainza.github.io/generateACP/)
## Exemple
* Notebook disponible au format [html](https://kopadata.fr/data/generateACP/analyse_acp_exemple.html)
* Notebook exécuté *analyse_acp_exemple.ipynb* présent dans le dossier [/docs/](https://github.com/FredGainza/generateACP/tree/main/docs)
* Notebook dispo sur [binder](https://mybinder.org/v2/gh/FredGainza/generateACP.git/HEAD) (exécutez le notebook *binder_exemple_module_acp.ipynb* présent dans le dossier /docs/)