如何分析总和为100%的多变量（百分比占比）？研究项目技术咨询

Hey Tim, 针对你这种**成分数据（Compositional Data）**的分析需求，我从逻辑方法和代码实现两方面给你梳理下可行的方案——毕竟这类数据总和固定，常规统计方法很容易踩共线性的坑：

• 避开常规统计方法的雷区：因为x1-x7总和为100%，存在完全共线性（比如x7=100-x1-...-x6），直接用线性回归、聚类等方法会导致参数无法识别或结果失真，必须先做数据转换。
• 核心转换手段：对数比变换
  • 加法对数比（ALR）：选一个变量作为基准（比如你的x7「其他占比」），计算每个变量与基准的对数比，比如ln(x1/x7), ln(x2/x7), ..., ln(x6/x7)，把7维数据转成6维，彻底消除共线性，之后就能用常规统计方法分析。
  • 中心对数比（CLR）：计算每个变量与所有变量几何均值的对数比，ln(xi/g(x))（g(x)是x1-x7的几何均值），这种转换保留了数据的对称性，特别适合PCA、聚类等探索性分析。
  • 等距对数比（ILR）：适合纵向成分数据的趋势分析，能将数据转换到正交空间，方便做线性模型和时间序列分析。
• 针对性分析方向建议
  • 若要分析成分与因变量的关联：用ALR/ILR转换后做回归，结果可以反向解释回原始占比的变化（比如某ALR系数为正，代表该成分占比相对基准成分上升时，因变量的变化）。
  • 若要探索成分的结构/聚类：用CLR转换后做PCA、K-Means或层次聚类，避免共线性干扰。

我用常用的数据分析库给你写了可复用的代码，也包含了手动实现转换的方式，方便你灵活调整：

• 先安装依赖

  pip install pandas numpy scikit-learn compositions
  

• 数据准备（替换成你的真实数据即可）

  import pandas as pd
  import numpy as np
  from compositions import clr, alr
  from sklearn.linear_model import LinearRegression
  from sklearn.decomposition import PCA
  
  # 模拟成分数据（总和100%），替换成你的数据集
  data = pd.DataFrame({
      'x1': np.random.uniform(5, 30, 100),  # 步行占比
      'x2': np.random.uniform(10, 25, 100), # 站立占比
      'x3': np.random.uniform(20, 40, 100), # 坐姿占比
      'x4': np.random.uniform(5, 15, 100),
      'x5': np.random.uniform(3, 10, 100),
      'x6': np.random.uniform(2, 8, 100)
  })
  data['x7'] = 100 - data.sum(axis=1)  # 确保总和为100%
  

• CLR转换+PCA探索结构

  # 注意：成分数据不能有0，若存在0值，先用极小值（比如0.01）替换
  data_clr = clr(data.values)
  clr_df = pd.DataFrame(data_clr, columns=[f'clr_x{i}' for i in range(1,8)])
  
  # 做PCA降维探索成分结构
  pca = PCA(n_components=2)
  pca_result = pca.fit_transform(clr_df)
  print(f"前2个主成分解释方差比：{pca.explained_variance_ratio_.round(3)}")
  

• ALR转换+线性回归分析

  # 选x7作为基准变量（索引为6，因为Python从0开始计数）
  data_alr = alr(data.values, col=6)
  alr_df = pd.DataFrame(data_alr, columns=[f'alr_x{i}_vs_x7' for i in range(1,7)])
  
  # 模拟因变量（比如工作效率得分，替换成你的真实因变量）
  y = np.random.normal(70, 10, 100)
  
  # 构建并训练线性回归模型
  model = LinearRegression()
  model.fit(alr_df, y)
  
  # 输出回归系数，解释各成分相对x7的变化对因变量的影响
  print("\n回归系数：")
  for col, coef in zip(alr_df.columns, model.coef_):
      print(f"{col}: {coef:.3f}")
  

• 手动实现CLR转换（不想用第三方库时）

  def custom_clr_transform(data):
      # 计算每行的几何均值
      geo_mean = np.exp(np.mean(np.log(data), axis=1))[:, np.newaxis]
      # 计算每个变量的对数比
      return np.log(data / geo_mean)
  
  data_clr_manual = custom_clr_transform(data.values)
  

内容的提问来源于stack exchange，提问作者Tim