python分析数据的相关性_使用Python进行相关性分析

在数据分析时，经常会针对两个变量进行相关性分析。在 Python 中主要用到的方法是pandas中的corr()方法。

corr()：如果由数据框调用corr函数，那么将会计算每个列两两之间的相似度，返回DataFrame

corr(other)：如果由序列调用corr方法，那么只是该序列与传入的序列之间的相关度，返回一个数值型，大小为相关度

我们以pandas.DataFrame.corr()为例进行详细说明：

DataFrame.corr(method=’pearson’, min_periods=1)

method : 指定相关系数的计算方式，可选性为：{‘pearson’,‘kendall’,‘spearman’} pearson :皮尔逊相关系数

kendall :kendall秩相关系数

spearman :斯皮尔曼等级相关系数

min_periods : int, optional，指定每列所需的最小观察数，可选，目前只适合用在pearson和spearman方法。

线性相关关系通常采用皮尔逊（Pearson）相关系数r来度量连续变量之间线性相关强度

r>0：线性正相关

r<0：线性负相关

r=0：两个变量之间不存在线性关系（并不代表两个变量之间不存在任何关系）

线性相关系数|r|的取值范围：

低度相关：0 <= |r| <= 0.3

中度相关：3 <= |r| <= 0.8

高度相关：8 <= |r| <= 1

相关