特征相关性

在主成份分析、数据探索上，经常要探索特征与特征、特征与因变量之间的相关性。下面记录几种相关性探索的方法。

方法一：单个特征与因变量的相关性直观显视

import matplotlib
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')#设置数据可视化主题

names = col_name.copy() # 列名
names.remove('onset_diabetes') # 移除因变量后得到特征

for name in names:
    plt.hist(pima[name][pima['onset_diabetes']==0],10,alpha=0.5,label='non_diabetes')
    plt.hist(pima[name][pima['onset_diabetes']==1],10,alpha=0.5,label='diabetes')
    plt.xlabel(name)
    plt.ylabel("frequency")
    plt.title('histogram of {}'.format(name))
    plt.show()

这里只放出其中一个特征与因变量的相关性。由图可以看出，因变量结果“diabetes”与“non_diabetes”在特征“plasma_glucose_concentration”的分布明显相差很大，所以因变量“onset_diabetes”与特征“plasma_glucose_concentration”的相关性很强。

方法二：相关矩阵

import seaborn as sns
sns.heatmap(pima.corr())

相关系数越大，相关性越强。如上相关矩阵图，可以看到特征times_pregnant与特征age的相关性最强；如果只看特征与因变量之间关系的话，plasma_glucose_concentration与因变量的相关性最强。

方法三：相关系数

print(pima.corr()["onset_diabetes"])

这是直接打印相关系数，更准确地表达特征与因变量之间的相关性。