本文介绍了Python中DataFrame对象的corr()方法，用于计算相关系数，包括Pearson、Kendall和Spearman方法。讨论了各种相关系数的适用场景，如Pearson适用于连续变量的线性关系，Spearman适用于非线性和等级数据，Kendall则适用于有序分类数据。同时强调了选择正确相关系数的重要性，避免因数据分布不当导致的错误结论。
pandas中DataFrame对象corr()方法的用法，该方法用来计算DataFrame对象中所有列之间的相关系数(包括pearson相关系数、Kendall Tau相关系数和spearman秩相关)。
pandas相关系数-DataFrame.corr()参数详解
DataFrame.corr(method='pearson', min_periods=1)
参数说明：
method：可选值为{‘pearson’, ‘kendall’, ‘spearman’}
pearson：Pearson相关系数来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，非正太分析的数据的相关系数min_periods：样本最少的数据量
计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。
计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用 spearman或kendall相关。
Pearson 相关
最低0.47元/天 解锁文章
扫一扫
2319
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
