[数据分析基础] 3. Pandas库
文章目录
pandas是Python第三方库,提供高性能易用数据类型和分析工具
import pandas as pd
Pandas基于NumPy实现,常与NumPy和Matplotlib一同使用
提供两个数据类型:Series, DataFrame。基于上述数据类型提供了各类操作:基本操作、运算操作、特征类操作、关联类操作
一、Series类型
Series类型由一组数据及与之相关的数据索引组成
In [5]: b=pd.Series([9,8,7,6],index=['a','b','c','d'])
In [6]: b
Out[6]:
a 9
b 8
c 7
d 6
dtype: int64
1. Series类型的创建
Series类型可以由如下类型创建:
-
Python列表,index与列表元素个数一致
-
标量值,index表达Series类型的尺寸
-
Python字典,键值对中的“键”是索引,index从字典中进行选择操作
-
ndarray,索引和数据都可以通过ndarray类型创建
-
其他函数,range()函数等
① 从标量值创建
In [7]: s=pd.Series(25,index=['a','b','c'])
In [8]: s
Out[8]:
a 25
b 25
c 25
dtype: int64
此方法创建时,不能省略index
② 从字典类型创建
In [9]: d=pd.Series({'a':9,'b':8,'c':7})
In [10]: d
Out[10]:
a 9
b 8
c 7
dtype: int64
In [11]: e=pd.Series({'a':9,'b':8,'c':7},index=['c','a','b','d'])
In [12]: e
Out[12]:
c 7.0
a 9.0
b 8.0
d NaN
dtype: float64
index从字典中进行选择操作
③ 从ndarray类型创建
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: n=pd.Series(np.arange(5))
In [4]: n
Out[4]:
0 0
1 1
2 2
3 3
4 4
dtype: int32
In [5]: m=pd.Series(np.arange(5),index=np.arange(9,4,-1))
In [6]: n
Out[6]:
9 0
8 1
7 2
6 3
5 4
dtype: int32
2. Series类型的基本操作
Series类型包括index和values两部分,Series类型的操作类似ndarray类型和Python字典类型
.index
获得索引 .values
获得数据
自动索引和自定义索引并存(注意:两套索引并存,但不能混用)
In [7]: b=pd.Series([9,8,7,6],['a','b','c','d'])
In [8]: b
Out[8]:
a 9
b 8
c 7
d 6
dtype: int64
In [9]: b.index # .index获得索引
Out[9]: Index(['a', 'b', 'c', 'd'], dtype='object')
In [10]: b.values # .value 获得数据
Out[10]: array([9, 8, 7, 6], dtype=int64)
In [11]: b['b'] #自动索引
Out[11]: 8
In [12]: b[1] #自定义索引
Out[12]: 8
In [13]: b[['c','d',0]] #两套索引并存,但不能混用
Out[13]:
c 7.0
d 6.0
0 NaN
dtype: float64
In [14]: b[['c','d','a']]
Out[14]:
c 7
d 6
a 9
dtype: int64
Series类型的操作类似ndarray类型:
-
索引方法相同,采用[]
-
NumPy中运算和操作可用于Series类型
-
可以通过自定义索引的列表进行切片
-
可以通过自动索引进行切片,如果存在自定义索引,则一同被切片
In [16]: b[3]
Out[16]: 6
In [17]: b[:3]
Out[17]:
a 9
b 8
c 7
dtype: int64
In [18]: b[b>b.median()]
Out[18]:
a 9
b 8
dtype: int64
In [19]: np.exp(b)
Out[19]:
a 8103.083928
b 2980.957987
c 1096.633158
d 403.428793
dtype: float64
Series类型的操作类似Python字典类型:
-
通过自定义索引访问
-
保留字in操作
-
使用.get()方法
In [21]: b['b']
Out[21]: 8
In [22]: 'c' in b
Out[22]: True
In [23]: 0 in b
Out[23]: False
In [24]: b.get('f',100)
Out[24]: 100
In [25]: a=pd.Series([1,2,3],['c','d','e'])
In [26]: a+b #Series类型在运算中会自动对齐不同索引的数据
Out[26]:
a NaN
b NaN
c 8.0
d 8.0
e NaN
dtype: float64
3. Series类型的name属性
Series对象和索引都可以有一个名字,存储在属性.name中
In [27]: b.name
In [28]: b.name='Series对象'
In [29]: b.index.name='索引列'
In [30]: b
Out[30]:
索引列
a 9
b 8
c 7
d 6
Name: Series对象, dtype: int64
4. Series类型的修改
Series对象可以随时修改并即刻生效
In [32]: b['a']=15
In [33]: b.name='Series'
In [34]: b
Out[34]:
索引列
a 15
b 8
c 7
d 6
Name: Series, dtype: int64
In [35]: b.name="New Series"
In [36]: b['b','c']=20
In [37]: b
Out[37]:
索引列
a 15
b 20
c 20
d 6
Name: New Series, dtype: int64
Series是一维的带“标签”的数组
Series基本操作类似ndarray和字典,根据索引对齐
二、DataFrame类型
DataFrame类型由共用相同索引的一组列组成。纵向索引叫index,axis = 0,横向缩索引叫column,axis = 1
DataFrame是一个表格型的数据类型,每列值类型可以不同,既有行索引、也有列索引,常用于表达二维数据,但可以表达多维数据
1. DataFrame类型的创建
DataFrame类型可以由如下类型创建:
-
二维ndarray对象
-
由一维ndarray、列表、字典、元组或Series构成的字典
-
Series类型
-
其他的DataFrame类型
① 从二维ndarray对象创建
In [38]: d=pd.DataFrame(np.arange(10).reshape(2,5))
In [39]: d
Out[39]:
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
最左侧为自动行索引;最顶端为自动列索引
② 从一维ndarray对象字典创建
In [40]: dt={'one':pd.Series([1,2,3],index=['a','b','c']),
...: 'two':pd.Series([9,8,7,6],index=['a','b','c','d'])}
In [41]: d=pd.DataFrame(dt)
In [42]: d
Out[42]:
one two
a 1.0 9
b 2.0 8
c 3.0 7
d NaN 6
In [43]: pd.DataFrame(dt,index=['b','c','d'],columns=['two','three'])
Out[43]:
two three
b 8 NaN
c 7 NaN
d 6 NaN
③ 从列表类型的字典创建
In [43]: pd.DataFrame(dt,index=['b','c','d'],columns=['two','three'])
Out[43]:
two three
b 8 NaN
c 7 NaN
d 6 NaN
In [44]: dl={'one':[1,2,3,4],'two':[9,8,7,6]}
In [45]: d=pd.DataFrame(dl,index=['a','b','c','d'])
In [46]: d
Out[46]:
one two
a 1 9
b 2 8
c 3 7
d 4 6
实例:
In [47]: dl={'城市':['北京','上海','广州','深圳','沈阳'],
...: '环比':[101.5,101.5,101.3,102.0,100.1],
...: '同比':[120.7,127.3,119.4,140.9,101.4],
...: '定基':[121.4,127.8,120.0,145.5,101.6]}
In [48]: d=pd.DataFrame(dl,index=['c1','c2','c3','c4','c5'])
In [49]: d
Out[49]:
城市 环比 同比 定基
c1 北京 101.5 120.7 121.4
c2 上海 101.5 127.3 127.8
c3 广州 101.3 119.4 120.0
c4 深圳 102.0 140.9 145.5
c5 沈阳 100.1 101.4 101.6
In [50]: d.index
Out[50]: Index(['c1', 'c2', 'c3', 'c4', 'c5'], dtype='object')
In [51]: d.columns
Out[51]: Index(['城市', '环比', '同比', '定基'], dtype='object')
In [52]: d.values
Out[52]:
array([['北京', 101.5, 120.7, 121.4],
['上海', 101.5, 127.3, 127.8],
['广州', 101.3, 119.4, 120.0],
['深圳', 102.0, 140.9, 145.5],
['沈阳', 100.1, 101.4, 101.6]], dtype=object)
In [53]: d['同比']
Out[53]:
c1 120.7
c2 127.3
c3 119.4
c4 140.9
c5 101.4
Name: 同比, dtype: float64
In [54]: d.ix['c2']
Out[54]:
城市 上海
环比 101.5
同比 127.3
定基 127.8
Name: c2, dtype: object
In [55]: d['同比']['c2']
Out[55]: 127.3
三、Pandas库的数据类型操作
如何改变Series和DataFrame对象的结构?
-
增加或重排:重新索引
-
删除:drop
1. 重新索引
.reindex()
能够改变或重排Series和DataFrame索引
In [2]: import pandas as pd
In [3]: dl={'城市':['北京','上海','广州','深圳','沈阳'],
...: '环比':[101.5,101.2,101.3,102.0,100.1],
...: '同比':[120.7,127.3,119.4,140.9,101.4],
...: '定基':[121.4,127.8,120.0,145.5,101.6]}
In [4]: d=pd.DataFrame(dl,index=['c1','c2','c3','c4','c5'])
In [5]: d
Out[5]:
城市 环比 同比 定基
c1 北京 101.5 120.7 121.4
c2 上海 101.2 127.3 127.8
c3 广州 101.3 119.4 120.0
c4 深圳 102.0 140.9 145.5
c5 沈阳 100.1 101.4 101.6
In [6]: d=d.reindex(index=['c5','c4','c3','c2','c1'])
In [7]: d
Out[7]:
城市 环比 同比 定基
c5 沈阳 100.1 101.4 101.6
c4 深圳 102.0 140.9 145.5
c3 广州 101.3 119.4 120.0
c2 上海 101.2 127.3 127.8
c1 北京 101.5 120.7 121.4
In [8]: d=d.reindex(columns=['城市','同比','环比','定基'])
In [9]: d
Out[9]:
城市 同比 环比 定基
c5 沈阳 101.4 100.1 101.6
c4 深圳 140.9 102.0 145.5
c3 广州 119.4 101.3 120.0
c2 上海 127.3 101.2 127.8
c1 北京 120.7 101.5 121.4
.reindex(index=None, columns=None, …)
的参数
参数 | 说明 |
---|---|
index,columns | 新的行列自定义索引 |
fill_value | 重新索引中,用于填充缺失位置的值 |
method | 填充方法,ffill当前值向前填充,bfill向后填充 |
limit | 最大填充量 |
copy | 默认True,生成新的对象,False时,新旧相等不复制 |
In [10]: newc=d.columns.insert(4,'新增')
In [11]: newd=d.reindex(columns=newc,fill_value=200)
In [12]: newd
Out[12]:
城市 同比 环比 定基 新增
c5 沈阳 101.4 100.1 101.6 200
c4 深圳 140.9 102.0 145.5 200
c3 广州 119.4 101.3 120.0 200
c2 上海 127.3 101.2 127.8 200
c1 北京 120.7 101.5 121.4 200
索引类型
Series和DataFrame的索引是Index类型 Index对象是不可修改类型
In [13]: d.index
Out[13]: Index(['c5', 'c4', 'c3', 'c2', 'c1'], dtype='object')
In [14]: d.columns
Out[14]: Index(['城市', '同比', '环比', '定基'], dtype='object')
对索引类型的常用方法
方法 | 说明 |
---|---|
.append(idx) | 连接另一个Index对象,产生新的Index对象 |
.diff(idx) | 计算差集,产生新的Index对象 |
.intersection(idx) | 计算交集 |
.union(idx) | 计算并集 |
.delete(loc) | 删除loc位置处的元素 |
.insert(loc,e) | 在loc位置增加一个元素e |
In [21]: nc=d.columns.delete(2)
In [22]: ni=d.index.insert(5,'c0')
In [40]: ni
Out[40]: Index(['c5', 'c4', 'c3', 'c2', 'c1', 'c0'], dtype='object')
In [42]: nd
Out[42]:
城市 同比 定基
c5 沈阳 101.4 101.6
c4 深圳 140.9 145.5
c3 广州 119.4 120.0
c2 上海 127.3 127.8
c1 北京 120.7 121.4
c0 NaN NaN NaN
2. 删除指定索引对象
.drop()
能够删除Series和DataFrame指定行或列索引
实例:(可以看出drop()是不改变d的值的)
In [45]: a=pd.Series([9,8,7,6],index=['a','b','c','d'])
In [46]: a
Out[46]:
a 9
b 8
c 7
d 6
dtype: int64
In [47]: a.drop(['b','c'])
Out[47]:
a 9
d 6
dtype: int64
In [48]: d
Out[48]:
城市 同比 环比 定基
c5 沈阳 101.4 100.1 101.6
c4 深圳 140.9 102.0 145.5
c3 广州 119.4 101.3 120.0
c2 上海 127.3 101.2 127.8
c1 北京 120.7 101.5 121.4
In [49]: d.drop('c5')
Out[49]:
城市 同比 环比 定基
c4 深圳 140.9 102.0 145.5
c3 广州 119.4 101.3 120.0
c2 上海 127.3 101.2 127.8
c1 北京 120.7 101.5 121.4
In [50]: d.drop('同比',axis=1)
Out[50]:
城市 环比 定基
c5 沈阳 100.1 101.6
c4 深圳 102.0 145.5
c3 广州 101.3 120.0
c2 上海 101.2 127.8
c1 北京 101.5 121.4
四、Pandas库的数据类型运算
算术运算法则
算术运算根据行列索引,补齐后运算,运算默认产生浮点数
补齐时缺项填充NaN (空值 ) 二维和一维、一维和零维间为广播运算
采用 + ‐ * / 符号进行的二元运算产生新的对象
In [51]: import numpy as np
In [52]: a=pd.DataFrame(np.arange(12).reshape(3,4))
In [53]: a
Out[53]:
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
In [54]: b=pd.DataFrame(np.arange(20).reshape(4,5))
In [55]: b
Out[55]:
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
2 10 11 12 13 14
3 15 16 17 18 19
In [56]: a+b
Out[56]:
0 1 2 3 4
0 0.0 2.0 4.0 6.0 NaN
1 9.0 11.0 13.0 15.0 NaN
2 18.0 20.0 22.0 24.0 NaN
3 NaN NaN NaN NaN NaN
In [57]: a*b
Out[57]:
0 1 2 3 4
0 0.0 1.0 4.0 9.0 NaN
1 20.0 30.0 42.0 56.0 NaN
2 80.0 99.0 120.0 143.0 NaN
3 NaN NaN NaN NaN NaN
数据类型的算术运算
方法形式的运算
方法 | 说明 |
---|---|
.add(d,**argws) | 类型间加法运算,可选参数 |
.sub(d,**argws) | 类型间减法运算,可选参数 |
.mul(d,**argws) 类型间乘法运算,可选参数 | |
.div(d,**argws) | 类型间除法运算,可选参数 |
In [58]: b.add(a,fill_value=100)
Out[58]:
0 1 2 3 4
0 0.0 2.0 4.0 6.0 104.0
1 9.0 11.0 13.0 15.0 109.0
2 18.0 20.0 22.0 24.0 114.0
3 115.0 116.0 117.0 118.0 119.0
In [59]: a.mul(b,fill_value=0)
Out[59]:
0 1 2 3 4
0 0.0 1.0 4.0 9.0 0.0
1 20.0 30.0 42.0 56.0 0.0
2 80.0 99.0 120.0 143.0 0.0
3 0.0 0.0 0.0 0.0 0.0
In [61]: c=pd.Series(np.arange(4))
In [62]: c
Out[62]:
0 0
1 1
2 2
3 3
dtype: int32
In [63]: c-10
Out[63]:
0 -10
1 -9
2 -8
3 -7
dtype: int32
In [64]: b-c
Out[64]:
0 1 2 3 4
0 0.0 0.0 0.0 0.0 NaN
1 5.0 5.0 5.0 5.0 NaN
2 10.0 10.0 10.0 10.0 NaN
3 15.0 15.0 15.0 15.0 NaN
In [65]: b.sub(c,axis=0)
Out[65]:
0 1 2 3 4
0 0 1 2 3 4
1 4 5 6 7 8
2 8 9 10 11 12
3 12 13 14 15 16
注意:
-
fill_value
参数替代NaN,替代后参与运算 -
不同维度间为广播运算,一维Series默认在轴 1参与运算
-
使用运算方法可以令一维Series参与轴 0运算
比较运算法则
比较运算只能比较相同索引的元素,不进行补齐
二维和一维、一维和零维间为广播运算
采用 > < >= <= == != 等符号进行的二元运算产生布尔对象
In [66]: d=pd.DataFrame(np.arange(12,0,-1).reshape(3,4))
In [68]: a<d
Out[68]:
0 1 2 3
0 True True True True
1 True True False False
2 False False False False
In [69]: a>d
Out[69]:
0 1 2 3
0 False False False False
1 False False False True
2 True True True True
In [70]: a==d
Out[70]:
0 1 2 3
0 False False False False
1 False False True False
2 False False False False
In [71]: a>c
Out[71]:
0 1 2 3
0 False False False False
1 True True True True
2 True True True True
In [72]: c>0
Out[72]:
0 False
1 True
2 True
3 True
dtype: bool
注意:
-
同维度运算,尺寸一致
-
不同维度,广播运算,默认在 1 轴
五、Pandas数据特征分析
1. Pandas库的数据排序
.sort_index()
方法在指定轴上根据索引进行排序,默认升序
.sort_index(axis=0, ascending=True)
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
In [4]: b
Out[4]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [5]: b.sort_index()
Out[5]:
0 1 2 3 4
a 5 6 7 8 9
b 15 16 17 18 19
c 0 1 2 3 4
d 10 11 12 13 14
In [6]: b.sort_index(ascending=False)
Out[6]:
0 1 2 3 4
d 10 11 12 13 14
c 0 1 2 3 4
b 15 16 17 18 19
a 5 6 7 8 9
In [7]: c=b.sort_index(axis=1,ascending=False)
In [8]: c
Out[8]:
4 3 2 1 0
c 4 3 2 1 0
a 9 8 7 6 5
d 14 13 12 11 10
b 19 18 17 16 15
In [9]: c=c.sort_index()
In [10]: c
Out[10]:
4 3 2 1 0
a 9 8 7 6 5
b 19 18 17 16 15
c 4 3 2 1 0
d 14 13 12 11 10
.sort_values()
方法在指定轴上根据数值进行排序,默认升序
Series.sort_values(axis=0, ascending=True)
DataFrame.sort_values(by, axis=0, ascending=True)
by
: axis轴上的某个索引或索引列表
实例:(NaN统一放到排序末尾)
In [15]: a=pd.DataFrame(np.arange(12).reshape(3,4),index=['a','b','c']
...: )
In [16]: a
Out[16]:
0 1 2 3
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
In [17]: c=a+b
In [18]: c
Out[18]:
0 1 2 3 4
a 5.0 7.0 9.0 11.0 NaN
b 19.0 21.0 23.0 25.0 NaN
c 8.0 10.0 12.0 14.0 NaN
d NaN NaN NaN NaN NaN
In [19]: c.sort_values(2,ascending=False)
Out[19]:
0 1 2 3 4
b 19.0 21.0 23.0 25.0 NaN
c 8.0 10.0 12.0 14.0 NaN
a 5.0 7.0 9.0 11.0 NaN
d NaN NaN NaN NaN NaN
In [20]: c.sort_values(2,ascending=True)
Out[20]:
0 1 2 3 4
a 5.0 7.0 9.0 11.0 NaN
c 8.0 10.0 12.0 14.0 NaN
b 19.0 21.0 23.0 25.0 NaN
d NaN NaN NaN NaN NaN
2. 数据的基本统计分析函数
适用于Series和DataFrame类型
方法 | 说明 |
---|---|
.sum() | 计算数据的总和,按0轴计算,下同 |
.count() | 非NaN值的数量 |
.mean() .median() | 计算数据的算术平均值、算术中位数 |
.var()`` .std() | 计算数据的方差、标准差 |
.min()`` .max() | 计算数据的最小值、最大值 |
适用于Series类型
方法 | 说明 |
---|---|
.argmin()`` .argmax() | 计算数据最大值、最小值所在位置的索引位置(自动索引) |
.idxmin()`` .idxmax() | 计算数据最大值、最小值所在位置的索引(自定义索引) |
方法 | 说明 |
---|---|
.describe() | 针对0轴(各列)的统计汇总 |
In [21]: a=pd.Series([9,8,7,6],index=['a','b','c','d'])
In [22]: a
Out[22]:
a 9
b 8
c 7
d 6
dtype: int64
In [23]: a.describe()
Out[23]:
count 4.000000
mean 7.500000
std 1.290994
min 6.000000
25% 6.750000
50% 7.500000
75% 8.250000
max 9.000000
dtype: float64
In [24]: type(a.describe())
Out[24]: pandas.core.series.Series
In [25]: a.describe()['count']
Out[25]: 4.0
In [26]: a.describe()['max']
Out[26]: 9.0
In [27]: b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
In [28]: b.describe()
Out[28]:
0 1 2 3 4
count 4.000000 4.000000 4.000000 4.000000 4.000000
mean 7.500000 8.500000 9.500000 10.500000 11.500000
std 6.454972 6.454972 6.454972 6.454972 6.454972
min 0.000000 1.000000 2.000000 3.000000 4.000000
25% 3.750000 4.750000 5.750000 6.750000 7.750000
50% 7.500000 8.500000 9.500000 10.500000 11.500000
75% 11.250000 12.250000 13.250000 14.250000 15.250000
max 15.000000 16.000000 17.000000 18.000000 19.000000
In [29]: type(b.describe())
Out[29]: pandas.core.frame.DataFrame
In [30]: b.describe().ix['max']
Out[30]:
0 15.0
1 16.0
2 17.0
3 18.0
4 19.0
Name: max, dtype: float64
In [32]: b.describe()[2]
Out[32]:
count 4.000000
mean 9.500000
std 6.454972
min 2.000000
25% 5.750000
50% 9.500000
75% 13.250000
max 17.000000
Name: 2, dtype: float64
3. 数据的累计统计分析
累计统计分析函数(1)
方法 | 说明 |
---|---|
.cumsum() | 依次给出前1、2、…、n个数的和 |
.cumprod() | 依次给出前1、2、…、n个数的积 |
.cummax() | 依次给出前1、2、…、n个数的最大值 |
.cummin() | 依次给出前1、2、…、n个数的最小值 |
In [33]: b=pd.DataFrame(np.arange(20).reshape(4,5),index=['c','a','d','b'])
In [34]: b
Out[34]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
In [35]: b.cumsum()
Out[35]:
0 1 2 3 4
c 0 1 2 3 4
a 5 7 9 11 13
d 15 18 21 24 27
b 30 34 38 42 46
In [36]: b.cumprod()
Out[36]:
0 1 2 3 4
c 0 1 2 3 4
a 0 6 14 24 36
d 0 66 168 312 504
b 0 1056 2856 5616 9576
In [37]: b.cummin()
Out[37]:
0 1 2 3 4
c 0 1 2 3 4
a 0 1 2 3 4
d 0 1 2 3 4
b 0 1 2 3 4
In [38]: b.cummax()
Out[38]:
0 1 2 3 4
c 0 1 2 3 4
a 5 6 7 8 9
d 10 11 12 13 14
b 15 16 17 18 19
4. 数据的相关分析
相关分析定义:两个事物,表示为X和Y,如何判断它们之间的存在相关性?
相关性
-
X增大,Y增大,两个变量正相关
-
X增大,Y减小,两个变量负相关
-
X增大,Y无视,两个变量不相关
相关性的度量
① 协方差:两个事物,表示为X和Y,如何判断它们之间的存在相关性?
c
o
v
(
X
,
Y
)
=
∑
i
=
1
n
(
X
i
−
X
ˉ
)
(
Y
i
−
Y
ˉ
)
n
−
1
cov(X,Y)= \frac{\sum_{i=1}^{n}(X_i-\bar{X})(Y_i-\bar{Y})}{n-1}
cov(X,Y)=n−1∑i=1n(Xi−Xˉ)(Yi−Yˉ)
-
协方差>0, X和Y正相关
-
协方差<0, X和Y负相关
-
协方差=0, X和Y独立无关
② Pearson相关系数:两个事物,表示为X和Y,如何判断它们之间的存在相关性?(r取值范围[‐1,1])
r = ∑ i = 1 n ( x i − x ˉ ) ( y i − y ˉ ) ∑ i = 1 n ( x i − x ˉ ) 2 ∑ i = 1 n ( y i − y ˉ ) 2 r= \frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} r=∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2∑i=1n(xi−xˉ)(yi−yˉ)
-
0.8‐1.0 极强相关
-
0.6‐0.8 强相关
-
0.4‐0.6 中等程度相关
-
0.2‐0.4 弱相关
-
0.0‐0.2 极弱相关或无相关
相关分析函数
适用于Series和DataFrame类型
方法 | 说明 |
---|---|
.cov() | 计算协方差矩阵 |
.corr() | 计算相关系数矩阵, Pearson、Spearman、Kendall等系数 |
实例:房价增幅与M2增幅的相关性
In [42]: hprice=pd.Series([3.04,22.93,12.75,22.6,12.33],index=['2008','2009','2010','2011','2012'])
In [43]: m2=pd.Series([8.18,18.38,9.13,7.82,6.69],index=['2008','2009','2010','2011','2012'])
In [44]: hprice.corr(m2)
Out[44]: 0.5239439145220387