联合分析法（Python实现）
本文介绍联合分析法及如何用Python实现。
使用到的数据 链接：https://pan.baidu.com/s/1uOJpytFB_iHPHRG7F4-zJA
提取码：x5n4
简介：
联合分析法：是一种多元的统计分析方法，一般用于评估产品属性对消费者而言的效用大小。
基本假定：联合分析假定分析的对象如品牌、产品、商店等，是由一系列的基本特征（如：质 量、方便程度、价格）以及产品的专有特征（如电脑的 CPU 速度、硬盘容量等）所组成的；消费者的抉择过程是理性地考虑这些特征而进行的。
例如：一家手机厂商正在考虑开发新款手机，但不知道应该在哪些方面加强资金投入。因此手机厂商进行了一些调查研究。他们对附近的普通人群进行了调查，了解他们对手机的偏好。每个调查对象都随机抽取了5个可能的选项组合，并要求他们从 1 到 10 对这些选项组合进行评分。数据集中每个行对应测试的特征组合和评级。
【以下数据和字段仅示意】
整理好数据（得到评分后）：
最后经过联合分析，可得：
系数越大，评分越高。由数据可得，内存 648 和相机 15000w 像素对消费者来说最为重要（系数绝对值为1.2）【注意，系数看绝对值，负数绝对值较高的，也是重点关注的对象】
Python实现（Jupyter Notebook）
首先加载需要的包 (使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline读入数据
entertainment = pd.read_csv("entertainment.csv")检查是否含有空值
entertainment.isnull().values.any()查看一下数据：
entertainment结果如图：
可以查看一下数据的结构
entertainment.info()如图：
经过以上操作，我们发现，数据完整。（一般拿到的数据不会如此规整，需要自行整理，本文使用的数据已经整理好了）
接下来进行具体操作（多元线性回归，只不过我们用到的变量基本都是哑变量）
先在原数据的基础上得到哑变量（文本形式的数据可没办法回归）
df_entertainment = pd.get_dummies(entertainment, drop_first = True,
columns = ['live_science',
'live_nature',
'live_magic',
'dance_troupes',
'sing_styles',
'comedy_styles',
'show_length'])如图：
可以和上面的数据框对比一下，现在我们已经得到了想要的数据形式。
拿出X和y，进行回归吧！
X = df_entertainment[['live_science_Liquid Air Show', 'live_science_Science of Fireworks',
'live_nature_Fun With Vipers and Cobras', 'live_nature_Wide World of Canines',
'live_magic_Mind Reader',
'dance_troupes_Celtic Folk Dance', 'dance_troupes_Hip-Hop Fusion', 'dance_troupes_Salsa Vida',
'sing_styles_Italian Opera', 'sing_styles_Open Mic','sing_styles_Wiggles',
'comedy_styles_Open Mic','comedy_styles_Slapstick','show_length_20','show_length_30']]
y = df_entertainment['avg_rating']
from sklearn.linear_model import LinearRegression
from sklearn import metrics
regressor = LinearRegression()
regressor.fit(X, y)看一下我们的结果（即看系数）
coef_df = pd.DataFrame(regressor.coef_, X.columns, columns=['Coefficient'])
coef_df
根据系数，我们可得到消费者最在乎哪些变量。
大功告成。
案例源于波士顿大学，感谢教授Page