### 使用FactorAnalyzer库进行因子分析 #### 安装FactorAnalyzer库 要使用 `FactorAnalyzer` 库，首先需要安装它。可以通过以下命令完成安装： ```bash pip install factor-analyzer ``` #### 导入库并加载数据 在 Python 中导入必要的库，并准备用于因子分析的数据集。 ```python import pandas as pd from factor_analyzer import FactorAnalyzer ``` 假设有一个包含多列观测变量的 DataFrame 数据集 `data`，可以直接将其传递给 `FactorAnalyzer` 进行处理[^1]。 #### 执行KMO检验和巴特利特球形检验 为了验证数据是否适合进行因子分析，通常会先执行 KMO 检验和巴特利特球形检验。这一步骤非常重要，因为它可以帮助判断是否存在足够的相关性来进行有效的因子分析[^3]。 ```python from factor_analyzer.factor_analyzer import calculate_kmo, calculate_bartlett_sphericity kmo_all, kmo_model = calculate_kmo(data) chi_square_value, p_value, _ = calculate_bartlett_sphericity(data) print(f"KMO Model: {kmo_model}") print(f"Bartlett's Test Chi-Square Value: {chi_square_value}, P-Value: {p_value}") ``` 如果 KMO 值大于 0.6 并且 Bartlett 的检验显著（即 p-value 小于 0.05），则认为数据适合进行因子分析。 #### 创建FactorAnalyzer对象并拟合模型 创建一个 `FactorAnalyzer` 对象，并指定希望提取的因子数量以及使用的旋转方法。常见的旋转方法有 Varimax 和 Promax。 ```python fa = FactorAnalyzer(n_factors=3, rotation="varimax") # 提取3个因子，采用Varimax旋转 fa.fit(data) ``` #### 查看因子载荷矩阵 因子载荷矩阵显示了每个观测变量与所提取因子的相关程度。较大的绝对值表明该变量对该因子的影响较大[^4]。 ```python factor_loadings = fa.loadings_ print(factor_loadings) ``` #### 计算共同度 共同度反映了每个观测变量被所有因子共同解释的比例。较高的共同度意味着更多的方差可以由因子模型解释。 ```python communalities = fa.get_communalities() print(communalities) ``` #### 获取因子得分 因子得分为每个样本在各个因子上的具体数值表现。这对于后续的应用非常有用，比如聚类分析或回归预测。 ```python factor_scores = fa.transform(data) print(factor_scores) ``` --- ### 示例代码总结 以下是完整的代码示例，展示如何利用 `FactorAnalyzer` 实现因子分析过程： ```python import pandas as pd from factor_analyzer import FactorAnalyzer from factor_analyzer.factor_analyzer import calculate_kmo, calculate_bartlett_sphericity # 加载数据 data = pd.read_csv("your_dataset.csv") # KMO检验和Bartlett球形检验 kmo_all, kmo_model = calculate_kmo(data) chi_square_value, p_value, _ = calculate_bartlett_sphericity(data) print(f"KMO Model: {kmo_model}") print(f"Bartlett's Test Chi-Square Value: {chi_square_value}, P-Value: {p_value}") if kmo_model >= 0.6 and p_value < 0.05: # 初始化FactorAnalyzer fa = FactorAnalyzer(n_factors=3, rotation="varimax") fa.fit(data) # 输出因子载荷矩阵 factor_loadings = fa.loadings_ print("Factor Loadings:") print(factor_loadings) # 输出共同度 communalities = fa.get_communalities() print("\nCommunalities:") print(communalities) # 计算因子得分 factor_scores = fa.transform(data) print("\nFactor Scores (First 5 samples):") print(factor_scores[:5]) else: print("Data is not suitable for factor analysis.") ``` ---