一文数学数模-相关性分析(三)皮尔逊相关性分析一文详解+python实例代码

目录

前言

一、数值类型

二、皮尔逊系数使用场景

二、皮尔逊相关系数(Pearson correlation)

1.定义

 2.线性关系判定

 3.正态检验

1.KS检验

4.计算代码

点关注，防走丢，如有纰漏之处，请留言指教，非常感谢

参阅

---

前言

相关性分析算是很多算法以及建模的基础知识之一了，十分经典。关于许多特征关联关系以及相关趋势都可以利用相关性分析计算表达。其中常见的相关性系数就有三种：person相关系数，spearman相关系数，Kendall's tau-b等级相关系数。各有各自的用法和使用场景。当然关于这以上三种相关系数的计算算法和原理+代码我都会在我专栏里面写齐全。目前关于数学建模的专栏已经将传统的机器学习预测算法、维度算法、时序预测算法和权重算法写的七七八八了，有这个需求兴趣的同学可以去看看。

---

一、数值类型

之前在我上篇文章说过关于数据特征是一个很重要的例子，任何分析算法都需要建立在其符合使用场景之上，我们需要对症下药，从数据特征开始分析。

按照数据存储的数据格式可以归纳为两类：