【Python】pandas计算DataFrame各列相关系数以及显著性检验

这篇分享Python中计算pandas的DataFrame各列相关系数方法，以及介绍如何检验DataFrame两列之间相关系数的显著性。

eg:
>>>df.head()
	Guba	XQ		BCI		Count	Value
0	0.021	0.098	0.175	0.077	0.057
1	0.031	0.097	0.192	0.087	0.069
2	0.018	0.101	0.193	0.075	0.069
3	0.017	0.112	0.203	0.077	0.063
4	0.042	0.158	0.222	0.335	0.567

1.pearson相关系数

>>>df.corr()
		Guba		XQ			BCI			Count		Value
Guba	1.000000	0.175604	-0.014611	0.200896	0.256166
XQ		0.175604	1.000000	-0.390358	0.654250	0.482809
BCI		-0.014611	-0.390358	1.000000	-0.259319	-0.156440
Count	0.200896	0.654250	-0.259319	1.000000	0.832961
Value	0.256166	0.482809	-0.156440	0.832961	1.000000

2.Kendall Tau相关系数

>>>df.corr('kendall')
		Guba		XQ			BCI			Count		Value
Guba	1.000000	0.153904	-0.012438	0.133122	0.090707
XQ		0.153904	1.000000	-0.244304	0.374908	0.255377
BCI		-0.012438	-0.244304	1.000000	-0.157442	-0.091950
Count	0.133122	0.374908	-0.157442	1.000000	0.720916
Value	0.090707	0.255377	-0.091950	0.720916	1.000000

3.spearman秩相关

>>>df.corr('spearman')
		Guba		XQ			BCI			Count		Value
Guba	1.000000	0.219124	-0.017204	0.189752	0.143163
XQ		0.219124	1.000000	-0.358981	0.563938	0.427756
BCI		-0.017204	-0.358981	1.000000	-0.241880	-0.140010
Count	0.189752	0.563938	-0.241880	1.000000	0.877732
Value	0.143163	0.427756	-0.140010	0.877732	1.000000

4.显著性检验

>>>import scipy.stats as stats
>>>#输出结果第一个值为pearsonr相关系数，
>>>#第二个为p-value，所以这里Guba列和Value值是显著相关的
>>>stats.pearsonr(df['Guba'],df['Value'])
(0.256165703418037, 8.10519823509109e-07)

我们下次再见，如果还有下次的话！！！
欢迎关注微信公众号：516数据工作室