Python数据分析与挖掘实战第三章笔记之相关性分析

最新推荐文章于 2020-11-25 21:05:26 发布

tatumWei

最新推荐文章于 2020-11-25 21:05:26 发布

阅读量665

点赞数

分类专栏：数据分析与数据挖掘

本文链接：https://blog.csdn.net/qq_41775711/article/details/80516111

版权

本文介绍了Python中如何进行相关性分析，包括通过散点图、散点图矩阵来直观展示变量间关系，以及使用pearson和spearman相关系数进行定量分析。通过实例展示了餐饮销量数据的相关性，如百合酱蒸凤爪与其他菜品的相关系数计算。

摘要由CSDN通过智能技术生成

#相关性分析：分析连续变量之间线性相关程度的强弱，并用适当的统计指标表示出来
# 直接绘制散点图
# 绘制散点图矩阵：当同事考虑多个变量间的相关关系时，可以利用散点图矩阵同时绘制各变量间的散点图。
# 计算相关系数：二元变量的相关性分析中常用pearson相关系数，spearman秩相关系数和判定系数；pearson相关系数要求连续变量的取值服从正态分布，不服从正态分布的变量、分类或者等级变量之间采用spearman秩相关系数
# 一个变量相同的取值必须有相同的秩次。只要两个变量具有严格单调的函数关系，那么他们就是完全spearman相关的，pearson相关只有在变量具有线性关系时才是完全相关的。
# 在正态分布假定下，spearman和pearson在效率上是等价的，对于连续测量数据，pearson更适合。
# 判定系数：是相关系数的平方