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编程网。