我正在使用Factor_analyzer模块在 python 中执行验证性因子分析。
我搜索了各种方法来生成模型诊断，例如近似均方根误差、卡方、CFI 和 Tucker-Lewis 指数。我对数学不是特别感兴趣，对Python也比较陌生，但我已经能够应付大部分内容了。
据我了解，factor_analyzer 模块会生成许多不同的对象，理论上，这些对象允许我进行额外的计算，并且我找到了这份文档，它为我提供了我需要的大部分公式。但是，我不知道如何采取（或计算）来获得我需要的模型诊断。
CFA代码是
model_dict = {"F1": factor_1,
"F2": factor_2}# I have made these lists previously
model_spec = ModelSpecificationParser.parse_model_specification_from_dict(df[influence_scale],
model_dict)
cfa = ConfirmatoryFactorAnalyzer(model_spec, disp=False)
cfa.fit(df[influence_scale].values)
cfa_loadings = pd.DataFrame(cfa.loadings_)
我没有收到任何错误，并且代码运行良好，为我提供了干净的负载，正如我在每个因素上所期望的那样，但是我真的坚持获取我需要的额外统计数据。
如果有人能帮助我，我将非常感激。
Importing a heavily formatted excel worksheet into pandas results in some columns which are entirely blank and have 'None' when viewing df.columns. I need to remove these columns but I'm getting some strange output that makes it hard for me to figure out how exactly to drop them.
****Editing for clarity****
The excel worksheet is heavily formatted and must be reshaped for the data to be used in analysis. In essence, col A is a list of questions and …
我有一列看起来像这样的字符串
col_1
Spiderman
Abe Lincoln
Superman
Ghandi
Jane Austin
Robert de Niro
Elon Musk
George Bush
Bill Gates
Barak Obama
Anne Frank
我手动浏览了该列，并列出了这些字符的类别列表：
l1 = [ 'Abe Lincoln', 'George Bush', 'Barak Obama']
l2 = ['Spiderman', 'Superman']
l3 = ['AnneFrank', 'Ghandi']
我已经对这些列表做出了规定
dict = {'l1': l1, 'l2': l2,'l3': l3} #and so on
我想做的是通过读取第1列创建一个新列，并根据str（cell）出现在哪个列表中返回一个数字；所以输出将是
col_1 col2
Spiderman 2
Abe Lincoln 1
Superman 2
Ghandi 3
Jane Austin 4
Robert de Niro 4
Elon Musk 4
George Bush 1
Bill Gates 4
Barak …