Pandas 计算相关性系数corr()方式_python_

Pandas 计算相关性系数corr()

相关：数据之间有关联，相互有影响

如：A和B 存在一定的相关性，A对B存在一定程度的影响，A变化，B也会有一定的变化

• 如果A和B相等 或者 B可以由A经过计算得到---->完全相关
• 如果B是由 A和C计算得到 ---->并且 A可以计算出B的大部分 -----> A和B 强度相关
• 如果B是由 A和C计算得到 ---->并且 A可以计算出B的小部分 -----> A和B 弱度相关
• 如果 A和B 毫无关系 ----> 不相关

如果B和 A相关：

• A的增大导致B的减小 —> 负相关
• A的增大导致B的增大 —> 正相关

相关性系数：衡量相关性强弱的

其范围是[-1,1]，绝对值越靠近0，表示不相关，绝对值越靠近1，表示相关性越强

小于 0 表示负相关；大于 0 表示正相关。

构造如下数据

import pandas as pd data = pd.DataFrame( data={ 'age': [2,7,10,16,20], 'height': [70,90,143,166,178], 'score': [98,37,103,76,53] } )

使用corr()方法计算相关性系数：

# 计算相关性系数的列 必须都是数值型的数据！ corr = data.loc[:, ["age","height"]].corr()        # 会计算两两列之间的相关性系数 print("corr\n", corr) """ corr             age   height age     1.00000  0.96043 height  0.96043  1.00000 """

自身与自身的相关性系数为 1

计算多列相关性系数：

corr = data.loc[:, ["age","height","score"]].corr() print("corr\n", corr) """ corr              age    height     score age     1.000000  0.960430 -0.340053 height  0.960430  1.000000 -0.096782 score  -0.340053 -0.096782  1.000000 """

pandas相关系数-DataFrame.corr()参数

DataFrame.corr(method='pearson', min_periods=1)

参数说明

• method：可选值为{‘pearson’, ‘kendall’, ‘spearman’}
• pearson：Pearson相关系数来衡量两个数据集合是否在一条线上面，即针对线性数据的相关系数计算，针对非线性数据便会有误差。
• kendall：用于反映分类变量相关性的指标，即针对无序序列的相关系数，非正太分布的数据
• spearman：非线性的，非正太分布的数据的相关系数
• min_periods：样本最少的数据量
• 返回值：各类型之间的相关系数DataFrame表格。

为区分不同参数之间的区别，我们实验如下：

from pandas import DataFrame import pandas as pd x=[a for a in range(100)] #构造一元二次方程，非线性关系 def y_x(x): return 2*x**2+4 y=[y_x(i) for i in x] data=DataFrame({'x':x,'y':y}) #查看下data的数据结构 data.head() Out[34]: x y 0 0 4 1 1 6 2 2 12 3 3 22 4 4 36 data.corr() Out[35]: x y x 1.000000 0.967736 y 0.967736 1.000000 data.corr(method='spearman') Out[36]: x y x 1.0 1.0 y 1.0 1.0 data.corr(method='kendall') Out[37]: x y x 1.0 1.0 y 1.0 1.0

因为y经由函数构造出来，x和y的相关系数为1，但从实验结构可知pearson系数，针对非线性数据有一定的误差。

需要说明，数据之间的相关关系，并不代表其之间的因果关系，相关系数为1，只能说明二者之间具备完全相关性，但不能说y是x的果。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。

提示： 本文由神整理自网络，如有侵权请联系本站删除！
本站声明：
1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持；
2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！