#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
Python数据分析与挖掘实战第三章笔记之相关性分析
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