pandas——相关系数函数corr()

最新推荐文章于 2024-09-21 21:34:32 发布

schwamaths

最新推荐文章于 2024-09-21 21:34:32 发布

阅读量7.2w

点赞数 35

分类专栏： tensorflow_learning

本文链接：https://blog.csdn.net/qq_40946639/article/details/102984166

版权

tensorflow_learning 专栏收录该内容

17 篇文章 1 订阅

订阅专栏

本文介绍如何使用Python的pandas库计算DataFrame中各列之间的相关系数和协方差，包括Pearson、Spearman和Kendall相关性系数的计算方法，以及它们在不同数据类型和分布情况下的适用性。

摘要由CSDN通过智能技术生成

计算DataFrame列之间的相关系数

    a = np.arange(1,10).reshape(3,3)
    data = DataFrame(a,index=["a","b","c"],columns=["one","two","three"])
    print(data)
    '''
       one  two  three
    a    1    2      3
    b    4    5      6
    c    7    8      9
    '''
    #计算第一列和第二列的相关系数
    print(data.one.corr(data.two))
    #1.0
    #返回一个相关系数矩阵
    print(data.corr())
    '''
           one  two  three
    one    1.0  1.0    1.0
    two    1.0  1.0    1.0
    three  1.0  1.0    1.0
    '''
    #计算第一列和第二列的协方差
    print(data.one.cov(data.two))
    #9.0
    #返回一个协方差矩阵
    print(data.cov())
    '''
           one  two  three
    one    9.0  9.0    9.0
    two    9.0  9.0    9.0
    three  9.0  9.0    9.0
    '''

相关性系数（pearson、spearman、kendall，pointbiserialr）

series.corr(other[, method, min_periods])

用途：

检查两个变量之间变化趋势的方向以及程度，值范围-1到+1，0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大相关性越强。
计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。