العلاقات الاستكشافية والتقسيم إلى فئات

from statistics import correlation

x = [-2, -1, 0, 1, 2]
y = [value * value for value in x]
print("pairs", list(zip(x, y)))
print(f"pearson {correlation(x, y):.3f}")

pairs [(-2, 4), (-1, 1), (0, 0), (1, 1), (2, 4)]
pearson 0.000

ينتج x المتناظر ومربعه ارتباطاً0.000 رغم العلاقة غير الخطية الدقيقة، وتظل الأزواج ظاهرة.

data = {
    "A": {"easy": (90, 100), "hard": (1, 10)},
    "B": {"easy": (19, 20), "hard": (20, 100)},
}
for stratum in ("easy", "hard"):
    rates = {g: data[g][stratum][0] / data[g][stratum][1] for g in data}
    print(f"{stratum} A{rates['A']:.1%} B{rates['B']:.1%}")
pooled = {g: sum(s for s, n in data[g].values()) /
             sum(n for s, n in data[g].values()) for g in data}
equal_mix = {g: sum(s / n for s, n in data[g].values()) / 2 for g in data}
print(f"pooled A{pooled['A']:.1%} B{pooled['B']:.1%}")
print(f"equal_mix A{equal_mix['A']:.1%} B{equal_mix['B']:.1%}")

easy A90.0% B95.0%
hard A10.0% B20.0%
pooled A82.7% B32.5%
equal_mix A50.0% B57.5%

نسب A أقل بالفئتين لكن حصتها من السهل أكبر بكثير. يغير الوزن المشترك الهدف ويظهر تفوق نسبة B الوصفية.