如何用Python对二元数据集开展MCA分析并识别影响因变量的关键变量

一、前置准备 #

首先安装所需依赖库，prince是Python里做MCA最便捷的工具，搭配pandas处理数据、matplotlib可视化：

pip install prince pandas matplotlib

注意你提供的数据集里有重复的column 3列，先修正列名（比如改为column3_1、column3_2、column3_3），否则无法正常处理。

二、MCA分析完整流程 #

1. 加载与预处理数据 #

import pandas as pd
import prince
import matplotlib.pyplot as plt

# 加载修正列名后的数据集
data = pd.DataFrame({
    'column1': [1, 0, 0, 1],
    'column2': [1, 1, 0, 1],
    'column3_1': [0, 1, 0, 1],
    'column3_2': [0, 1, 0, 0],
    'column3_3': [0, 0, 1, 0],
    '因变量': [0, 1, 0, 1]
})

# 所有列都是二元分类变量，MCA可直接处理，无需额外编码

2. 拟合MCA模型 #

# 初始化MCA，保留2个主成分（方便可视化解读）
mca = prince.MCA(
    n_components=2,
    n_iter=10,
    copy=True,
    check_input=True,
    engine='sklearn'
)

# 拟合数据集
mca = mca.fit(data)

3. 提取变量关联信息 #

MCA通过类别点的坐标距离判断变量与因变量的关联强度：

# 获取所有变量类别的坐标
variable_coords = mca.column_coordinates(data)

# 提取因变量两个类别的坐标
target_0 = variable_coords.loc['因变量_0']
target_1 = variable_coords.loc['因变量_1']

# 计算每个变量类别与因变量两类的欧氏距离
variable_coords['与因变量1的距离'] = variable_coords.apply(lambda row: ((row[0]-target_1[0])**2 + (row[1]-target_1[1])**2)**0.5, axis=1)
variable_coords['与因变量0的距离'] = variable_coords.apply(lambda row: ((row[0]-target_0[0])**2 + (row[1]-target_0[1])**2)**0.5, axis=1)

# 筛选正负关联变量：距离因变量1更近为正向，距离0更近为负向
positive_vars = variable_coords[variable_coords['与因变量1的距离'] < variable_coords['与因变量0的距离']]
negative_vars = variable_coords[variable_coords['与因变量1的距离'] > variable_coords['与因变量0的距离']]

4. 可视化结果（直观判断关联） #

plt.figure(figsize=(10, 8))

# 绘制所有变量类别点
for idx, row in variable_coords.iterrows():
    plt.scatter(row[0], row[1], label=idx)
    plt.text(row[0]+0.02, row[1]+0.02, idx)

# 标记因变量的两个类别
plt.scatter(target_0[0], target_0[1], color='red', s=100, marker='*')
plt.text(target_0[0]+0.05, target_0[1]+0.05, '因变量_0', color='red')
plt.scatter(target_1[0], target_1[1], color='green', s=100, marker='*')
plt.text(target_1[0]+0.05, target_1[1]+0.05, '因变量_1', color='green')

plt.xlabel('主成分1')
plt.ylabel('主成分2')
plt.title('MCA变量类别关联图')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.grid(True)
plt.show()

三、结果解读 #

• 正向关联变量：图中靠近绿色星号（因变量_1）的类别，比如你的数据里column2_1、column3_1_1、column3_2_1，这些变量取1时，因变量更倾向于为1。
• 负向关联变量：靠近红色星号（因变量_0）的类别，比如column1_0、column2_0、column3_3_1，这些变量取对应值时，因变量更倾向于为0。
• 可通过mca.explained_inertia_查看主成分的解释占比，占比越高，结果的可靠性越强。

四、补充建议 #

如果需要更量化的关联强度，可以结合卡方检验计算每个变量与因变量的相关性，或者用phi系数（针对二元变量），与MCA的可视化结果交叉验证，提升结论可信度。

内容的提问来源于stack exchange，提问作者yasalghuul