用python导入excel数据，对14列数值型数据利用互信息计算每两个特征之间的互信息值

在Python中，我们可以使用pandas库读取Excel文件，并利用sklearn库中的`mutual_info_classif`或`mutual_info_score`函数计算数值型特征之间的互信息值。以下是简单的步骤：

1. **安装所需库**:
首先需要安装`pandas`、`openpyxl`（用于读取Excel文件）以及`scipy`或`sklearn`（包含互信息计算功能）。你可以通过以下命令安装：

   pip install pandas openpyxl scipy sklearn

2. **加载Excel数据**:
使用pandas的`read_excel`函数从Excel文件中加载数据：

   import pandas as pd

   data = pd.read_excel('your_file.xlsx')

确保替换 'your_file.xlsx' 为你的实际文件路径。

3. **预处理数据**:
提取14列数值型数据，并创建一个二维数组或DataFrame。假设我们有列名为 `column1` 到 `column14` 的数值型数据：

   numerical_data = data[['column1', 'column2', ..., 'column14']].values

4. **计算互信息**:
使用`scipy`库中的`entropy`和` MutualInfoCalculator`或`sklearn.metrics.mutual_info_score`来计算互信息。这里是一个例子：

   from scipy.stats import entropy
   from sklearn.feature_selection import mutual_info_classif

   # 如果你的数据是连续的，可以使用 mutual_info_classif (归一化)
   if 'sklearn' in sys.modules:
       mi_values = mutual_info_classif(numerical_data.T, labels=None)  # 如果你有标签
       mi_matrix = mutual_info_classif(numerical_data, numerical_data.T)
   else:
       def compute_mutual_info(X, Y):
           pxy = np.zeros_like(X)
           for i, row in enumerate(X):
               pxy[i] = np.histogram2d(row, Y, bins='auto')[0]
           return entropy(pxy, axis=1)

       mi_matrix = np.apply_along_axis(compute_mutual_info, axis=0, arr=numerical_data, Y=numerical_data.T)

5. **结果解读**:
`mi_matrix` 将是一个对角线为零的矩阵，对角线上面的元素代表特征自身的熵，而非对角线上的值表示每个特征对其他特征的信息量。