Avec l'élection présidentielle aux États-Unis et le renouvellement du poste de Premier ministre du Japon, je me suis demandé quelles étaient les caractéristiques des Japonais, alors j'ai jeté un coup d'œil à la question à peu près avant de prendre le petit-déjeuner. Nori
Bien sûr, je ne connais pas les détails, mais l'indice Hofstead (data hofstede quantifie la nationalité comme le comportement et les valeurs par des informations hofstede. En utilisant la matrice /? _ Ga = 2.14739574.1545356180.1601592631-662590749.1600905258)), nous pouvons saisir légèrement à quel pays le "comportement et les valeurs" japonais sont similaires, et qu'en est-il des autres pays. Illustré par le regroupement hiérarchique (méthode générale (je pense) "ward", distance: "euclidienne")
Le contenu des données est
Je pense qu'il existe différents classements haut et bas, mais à propos du degré de «similitude»
import warnings
warnings.filterwarnings('ignore')
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage
plt.style.use('seaborn-darkgrid')
#DL a complété les données du site Web ci-dessus
data_from_web = pd.read_csv('6-dimensions-for-website-2015-08-16.csv', index_col=0)
#Aucun traitement n'est effectué pour les valeurs manquantes, seules celles pour lesquelles toutes les données sont disponibles sont extraites.
data_from_web_all = data_from_web[data_from_web != '#NULL!'].dropna(0)
data_from_web_all.index = data_from_web_all['country']
data_from_web_all = data_from_web_all.drop('country', 1)
fig, ax = plt.subplots(1, 1, figsize=(12, 15))
ax = dendrogram(linkage(data_from_web_all, method="ward", metric="euclidean"),
labels=data_from_web_all.index,
orientation="left", leaf_font_size=15,
color_threshold=100)
fig.tight_layout()
fig.show()
Le Japon dans le groupe noir. C'est comme ça, ce n'est pas comme ça.