Person相关分析原理以及python实现

总体——所要考察对象的全部个体叫做望得到总体数据的一些特征（例如均值方差等）
样本——从总体中所抽取的一部分个体叫做总体的一个样本

1.总体Person相关系数

如果两组数据 X : { X 1 , X 2 , ⋯   , X n } X:\left\{X_{1}, X_{2}, \cdots, X_{n}\right\} X:{X1​,X2​,⋯,Xn​} 和 Y : { Y 1 , Y 2 , ⋯   , Y n } Y:\left\{Y_{1}, Y_{2}, \cdots, Y_{n}\right\} Y:{Y1​,Y2​,⋯,Yn​} 是总体数据
那么总体均值：$$E(X)=\frac{{\sum }_{i=1}^n{X}_i}{n},E(Y)=\frac{{\sum }_{i=1}^n{Y}_i}{n}$$
总协方差：$$\mathrm{Cov}(X,Y)=\frac{{\sum }_{i=1}^n\left(X_i-E(X)\right)\left(Y_i-E(Y)\right)}{n}$$
直观理解协方差：如果X、Y变化方向相同，即当X大于（小于）其均值时，Y也大于（小于）其均值，在这两种情况下，乘积为正。如果X、Y的变化方向一直保持相同，则协方差为正；同理，如果X、Y变化方向一直相反，则协方差为负；如果X、Y变化方向之间相互无规律，即分子中有的项为正，有的项为负，那么累加后正负抵消。

注意：协方差的大小和两个变量的量纲有关，因此不适合做比较。
总体 Pearson 相关系数: $${\rho }_{XY}=\frac{\mathrm{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}=\frac{{\sum }_{i=1}^n\frac{\left(X_i-E(X)\right)}{{\sigma }_X}\frac{\left(Y_i-E(Y)\right)}{{\sigma }_Y}}{n}$$
其中${\sigma }_X,{\sigma }_Y$ 是 $X,Y$ 的标准差
$${\sigma }_X=\sqrt{\frac{{\sum }_{i=1}^n{\left(X_i-E(X)\right)}^2}{n}},{\sigma }_Y=\sqrt{\frac{{\sum }_{i=1}^n{\left(Y_i-E(Y)\right)}^2}{n}}$$

可以证明, $\left|{\rho }_{XY}\right|\le 1$, 且当 $Y=aX+b$ 时, ${\rho }_{XY}=\{\begin{array}{cc}1,& a>0\\ -1,& a<0\end{array}$

2. 样本Person相关系数

假设有两组数据 X : { X 1 , X 2 , ⋯   , X n } X:\left\{X_{1}, X_{2}, \cdots, X_{n}\right\} X:{X1​,X2​,⋯,Xn​} 和 Y : { Y 1 , Y 2 , ⋯   , Y n } Y:\left\{Y_{1}, Y_{2}, \cdots, Y_{n}\right\} Y:{Y1​,Y2​,⋯,Yn​} (一般调查得到的数据均为样本数据)
样本均值: $$\bar{X}=\frac{{\sum }_{i=1}^n{X}_i}{n},\bar{Y}=\frac{{\sum }_{i=1}^n{Y}_i}{n}$$
样本协方差: $$\mathrm{Cov}(X,Y)=\frac{{\sum }_{i=1}^n\left(X_i-\bar{X}\right)\left(Y_i-\bar{Y}\right)}{n-1}$$
样本Pearson 相关系数: $$r_{XY}=\frac{\mathrm{Cov}(X,Y)}{S_X{S}_Y}$$
其中: $S_X,S_Y$ 是的样本标准差
$$S_X=\sqrt{\frac{{\sum }_{i=1}^n{\left(X_i-\bar{X}\right)}^2}{n-1}},S_Y=\sqrt{\frac{{\sum }_{i=1}^n{\left(Y_i-\bar{Y}\right)}^2}{n-1}}$$
注：为什么除以n-1? 如果除以n，对样本方差的估计不是无偏估计，比总体方 差要小，要想是无偏估计就要调小分母，所以除以n-1

3. 相关系数误区

1. 四个散点图对应的数据的皮尔逊相关系数均为0.816(图1-4)
   

2. 冰激凌的销量和温度之间的关系，相关系数计算结果为0（图5）blog.csdn
   

这里的相关系数只是用来衡量两个变量线性相关程度的指标；也就是说，你必须先确认这两个变量是线性相关的，然后这个相关系数才能告诉你他俩相关程度如何。
（1）非线性相关也会导致线性相关系数很大，例如图2。
（2）离群点对相关系数的影响很大，例如图3，去掉离群点后，相关系数为0.98。
（3）如果两个变量的相关系数很大也不能说明两者相关，例如图4，可能是受到了异常值的影响。
（4）相关系数计算结果为0，只能说不是线性相关，但说不定会有更复杂的相关关系（非线性相关），例如图5。

4. Person总结

（1）如果两个变量本身就是线性的关系，那么皮尔逊相关系数绝对值大的就是相关性强，小的就是相关性弱；
（2）在不确定两个变量是什么关系的情况下，即使算出皮尔逊相关系数，发现很大，也不能说明那两个变量线性相关，甚至不能说他们相关，我们一定要画出散点图来看才行。

5. 相关系数的假设检验

在判断样本的 $\mathrm{r}$ 是否有意义，需与总体相关系数 $\rho =0$ 进行比较，看两者的差别有无统计学意义。这就要对进行假设检验，判断不等于 0 是 由于抽样误差所致，还是两个变量之间确实存在相关关系。 步骤:

1. 提出假设
   $H_0：P=0$ 无关
   $H_1：P\ne 0$ 相关
2. 确定显著水平 $\mathrm{a}=0.05$
   如果从相关系数 $\rho =0$ 的总体中取得 $r$ 值的概率 $P>0.05$ ，我们就接受假设，认为此 $r$ 值很可能是从此总体中取得的。因此判断两变量间无 显著关系；
   如果取得 $r$ 值的概率 $P<=0.05$ 或 $P<=0.01$ ，我们就在 $\alpha =0.05$ 或 $\alpha =0.01$ 水准上拒绝检验假设，认为该 $r$ 值不是来自 $\rho =0$ 的总体，而是来自 $\rho \ne 0$ 的另一个总体，因此就判断两变量间有显著关系。
3. 计算检验统计量，查表得到 $P$ 值。拒绝$H_0$，则两变量相关。否则，两变量无关。

t检验法
计算检验统计量$t_r$，查界值表，得到 $P$ 值
$$t_r=\frac{|r-0|}{\sqrt{\frac{1-r^2}{n-2}}}$$

5. Python实现

5.1 程序

# %%
import numpy as np
import pandas as pd
from scipy.stats import pearsonr
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats

# 2.0.1无法读取xlsx文件，降低版本到1.2.0 pip install xlrd==1.2.0
test_data = pd.read_excel(r"八年级女生体测数据.xlsx")
# 数据统计
Desc = test_data.describe()
"""
方式一：
Dataframe.corr()   计算两两之间的相似度，返回Dataframe类型
Series.corr(other)  计算该序列与传入序列相关度，返回一个数值
例如：data['身高'].corr(data['体重'])

DataFrame.corr(method='pearson', min_periods=1)
参数说明：
method：可选值为{‘pearson’, ‘kendall’, ‘spearman’}
Pearson相关系数样本必须是正态分布,衡量两个数据集合是否在一条线上面，即针对线性数据的相关系数计算，针对非线性数据便会有误差。
kendall：用于反映分类变量相关性的指标，即针对无序序列的相关系数，非正太分布的数据
spearman：非线性的，非正太分布的数据的相关系数
min_periods：样本最少的数据量，最少为1
"""
result_1 = test_data.corr(method='pearson')



"""
方式二：
将Dataframe转换为array，array.corrcoef(data),返回相关度二维数组
"""
data = np.array(test_data)
# numpy自带函数,rowvar=False代表以列为变量
result_2 = np.corrcoef(data, rowvar=False)




"""
方式三：
scipy.stats中的pearsonr(X,Y)分析两个变量，无法计算相关矩阵
返回值：
r : float，皮尔逊相关系数，[-1，1]之间。
p-value : float，Two-tailed p-value（双尾P值）。
注：p值越小，表示相关系数越显著，一般p值在500个样本以上时有较高的可靠性。可以理解为显著性水平。
"""
result_3 = pearsonr(test_data['身高'], test_data['体重'])

"""
数据可视化
"""
# 相关性热力图可视化
ax = sns.heatmap(result_1, vmax=1, cmap='RdYlGn', annot=True)
ax.set_xticklabels(list(test_data))
ax.set_yticklabels(list(test_data))
# 设置中文标签显示
plt.rcParams['font.sans-serif'] = ['Kaitt', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.show()
# 生成散点图,可以初步判断正态分布
ax_1 = sns.pairplot(test_data)
plt.show()

for i in list(test_data):
    index_i = list(test_data).index(i)
    plt.subplot(3,2,index_i+1)
    sns.histplot(test_data[i], kde=True)
plt.show()

"""
正态分布KS检验
满足p > 0.05的情况，服从正态分布。
"""
print(Desc)
All_mean = Desc.loc['mean']
All_std = Desc.loc['std']
for i in list(test_data):
    statistic, pvalue = stats.kstest(test_data[i], 'norm', (All_mean.loc[i], All_std.loc[i]))
    print(pvalue)

5.2 数据