相关系数的计算机显著性检验

一、正态分布检验

from scipy import stats
stats.kstest(s['value'], 'norm', (u, std))
#KstestResult(statistic=0.01441344628501079, pvalue=0.9855029319675546)，p值大于0.05为正太分布

二、相关系数的检验

import Pandas as pd

x=[];y=[]
s1=pd.Series(x)
s2=pd.Series(y)
r=s1.corr(s2)

Series.corr(self, other, method='pearson', min_periods=None)
'''
参数说明
method{‘pearson’, ‘kendall’, ‘spearman’} ：用来计算相关性的方法，默认为皮尔森相关系数
min_periodsint：可选参数，为了获得有效结果所需要的最小的观察数量
'''

三、显著性检验
pandas中不提供p值的统计，需要采用其他的软件包统计

方差齐次性：stats.levene() ，总参数性方法
方差非齐次性：stats.levene() ，separsman或Kendall非参数性检验

scipy.stats.spearmanr()

correlation, p-value = scipy.stats.pearsonr(x, y)
correlation, p-value = scipy.stats.spearmanr(x, y)
correlation, p-value = scipy.stats.kendalltau(x, y)

四、论文用法
线性回归用于分析趋势之前，首先测试数据是否正态分布
（1）若正态分布，则使用Sci-Kit83 Huber Regressor进行线性回归
（2）若非正态分布，则使用Mann–Kendall test进行非参数检验

参考网址：
https://www.jianshu.com/p/f9304da68d98