python求相关系数矩阵,协方差矩阵

定义:设(X1,X2,X3,···,Xn)是一个n维随机变量,任意Xi与Xj的相关系数\(p_{ij}(i=1,2,···,n)\)存在,则以\(p_{ij}\)为元素的n阶矩阵称为该维随机变量的相关矩阵.记作R,即

性质:相关矩阵的对角元素是1。相关矩阵是对称矩阵。

在python中,可以利用pandas的corr获取相关系数矩阵,代码如下:

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
    '''
  • 2
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
下面是一个简单的案例,展示如何使用Python中的Seaborn库来绘制相关系数矩阵图。 首先,我们需要安装Seaborn库。在命令行中输入以下命令即可: ``` pip install seaborn ``` 然后,我们需要导入必要的库: ```python import seaborn as sns import matplotlib.pyplot as plt ``` 接下来,我们需要准备数据。在这个例子中,我们将使用Seaborn库自带的数据集"tips",该数据集包含各种餐厅的消费者账单信息。 ```python tips = sns.load_dataset("tips") ``` 现在,我们可以使用Seaborn库的"heatmap"函数来绘制相关系数矩阵图。相关系数矩阵是一个方阵,其对角线上的元素是每个变量的方差,而其余元素是各个变量之间的协方差。在相关系数矩阵图中,较大的值将显示为较深的颜色,而较小的值将显示为较浅的颜色。 ```python corr = tips.corr() sns.heatmap(corr, annot=True, cmap="YlGnBu") plt.show() ``` 结果如下所示: ![相关系数矩阵图](https://i.imgur.com/6Gj7d4t.png) 从图中可以看出,总账单金额(total_bill)和小费金额(tip)之间的相关性很强。这意味着当顾客的账单金额增加时,他们给的小费金额也会相应增加。另一方面,与性别(sex)和是否吸烟(smoker)相关的变量之间的相关性较小,这意味着这些变量之间的关系不太紧密。 这就是一个简单的相关系数矩阵图案例。通过使用Seaborn库,我们可以轻松地可视化数据集中各个变量之间的相关性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值