SparkML之相关性分析

相关性分析

相关性分析是考察两个变量之间的线性关系的一种统计方法，用于衡量两个变量因数的相关程度。但是，请记住，相关性不等于因果性。接下来结合下图的txt格式的文件来对相关性分析进行了解。

两个重要的要素
从非常直观的分析思路来说，比如分析身高和体重，我们会问个问题：.身高越高，体重是不是越重？问题细分为两个方向：1，身高越高，体重越重还是越轻。2，身高每增加 1 ，体重又是增加多少或减少多少。這就是相关性的两个重要要素：相关的方向和相关的强度。对于相关的方向很好理解，就是正相关、负相关还是无关。对于问题2，有不同的人产生了不同的 定义相关性强度的思想。

皮尔逊相关系数

皮尔逊相关系数全称为：皮尔逊积矩相关系数(Pearson product-moment correlation coefficient).该系数广泛用于度量两个变量之间的相关程度。它是由卡尔·皮尔逊从弗朗西斯·高尔顿在19世纪80年代提出的一个相似却又稍有不同的想法演变而来.定义的公式如下：

下面通过Matlab代码来计算身高和体重的pearson系数：

<pre name="code" class="python"><pre name="code" class="plain">function  coeff = pearsoncoeff(x,y)
%目的：计算数值序列x和y的皮尔逊相关系数
% 
%输入：计算数值序列x和y
%输出：coeff数值序列x和y的皮尔逊相关系数
if length(x)~=length(y)
    error('输入的序列长度不一')
end
a = sum((x-mean(x)).*(y-mean(y)));%分子
b=sqrt(sum((x-mean(x)).^2)*sum((y-mean(y)).^2));%分母
coeff = a/b;
end
function processing
filename = 'C:\Users\andrew\Desktop\child.txt';
delimiter = '\t';
formatSpec = '%s%f%f%f%[^\n\r]';
fileID = fopen(filename,'r');
dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter,  'ReturnOnError', false);
fclose(fileID);
%A = dataArray{:, 1};%name
high = dataArray{:, 2};
weight = dataArray{:, 3};
%score = dataArray{:, 4};
%计算身高和体重的相关系数
corOfHW = pearsoncoeff(high,weight)
end

得到： corOfHW =  0.6124


Spearman等级相关系数：
具体函数的定义，可以参考文献1。下面对思想进行简单阐述：A 的身高149，在身高這一列秩为1（最矮）。同理后面的参数就是所说变量的秩。Spearman等级相关系数（rho）如下：

其中累加di平方就是A身高的秩减去体重的秩平方加上B身高的秩减去体重的秩平方。。。。。。。发现spearman等级相关系数，和具体的数值无关，之和其中的秩有关系，它适用于不能准确测量指标值而只能以严重程度，名词先后等等级参数来确定之间的相关程度。

通过计算可以得到：0.7395

SparkMLlib计算相关系数:

package Basic

import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.stat.Statistics
import org.apache.spark.{SparkConf, SparkContext}


/**
  * Created by legotime on 2016/4/8.
  */
object Correlations {
  def main(args: Array[String]) {
    val sparkConf = new SparkConf().setAppName("Correlations").setMaster("local")
    val sc = new SparkContext(sparkConf)
    val rdd1= sc.parallelize(
      Array(
        Array(1.0,2.0,3.0,4.0),
        Array(2.0,3.0,4.0,5.0),
        Array(3.0,4.0,5.0,6.0)
      )
    ).map(f => Vectors.dense(f))
    //package org.apache.spark.mllib.stat下的一些基本操作
    val summary = Statistics.colStats(rdd1)
    println(summary.mean) // a dense vector containing the mean value for each column每列的平均值
    println(summary.variance) // column-wise variance,列方差
    println(summary.numNonzeros) // number of nonzeros in each column每列非零个数
    println(summary.normL2)//二范数
    println(summary.max)//每列最大

    //==================================计算相关性系数===================================
    //val rdd2 = sc.parallelize(Array(1.0,2.0,3.0,4.0))
    //val rdd3 = sc.parallelize(Array(2.0,3.0,4.0,5.0))
    val rdd2 = sc.parallelize(Array(149.0,150.0,153.0,155.0,160.0,155.0,160.0,150.0))
    val rdd3 = sc.parallelize(Array(81.0,88.0,87.0,99.0,91.0,89.0,95.0,90.0))
    println("rdd2:"+rdd2)
    rdd2.collect().foreach(println)
    //val correlation1:Double = Statistics.corr(rdd2, rdd3, "pearson")
    //省却的情况下，默认的是pearson相关性系数
    val correlation1:Double = Statistics.corr(rdd2, rdd3)
    println("pearson相关系数："+correlation1)
    //pearson相关系数：0.6124030566141675
    val correlation2:Double = Statistics.corr(rdd2, rdd3, "spearman")
    println("spearman相关系数："+correlation2)
    //spearman相关系数：0.7395161835775294

    sc.stop()
  }

}

完毕

参考文献

1：http://blog.csdn.net/wsywl/article/details/5859751

感谢