python 斯皮尔曼相关系数_左手用R右手Python系列(XI): 相关性分析

原标题：左手用R右手Python系列(XI): 相关性分析

由于最近毕业论文缠身，一直都没有太多时间和精力撰写长篇的干货，但是呢学习的的脚步不能停止，今天跟大家盘点一下R语言与Python中到的相关性分析部分的常用函数。

常用的衡量随机变量相关性的方法主要有三种：

pearson相关系数；即皮尔逊相关系数，用于横向两个连续性随机变量间的相关系数。

spearman相关系数；即斯皮尔曼相关系数，用于衡量分类定序变量间的相关程度。

kendall相关系数；即肯德尔相关系数，也是一种秩相关系数，不过它所计算的对象是分类变量。

R语言：

cor

cor.test

corrplot

cor(x,y=NULL,use="everything",method= c("pearson","kendall","spearman"))

在R语言中，通常使用cor函数进行相关系数分析，可以分别指定向量，也可以指定给cor函数一个数据框。

use函数指定处理缺失值的方式

method是可选的三种相关系数计算方法。

这里以diamonds数据集为例：

str(diamonds)

cor(diamonds[,c("carat","depth","price")])

cor(diamonds[,c("carat","depth","price")],method= "pearson")

默认情况下使用的是pearson相关系数。

corrplot函数可以针对相关系数输出的结果进行可视化：

library("corrplot")

library("dplyr")

cor(diamonds[,c("carat","depth","price")])%>%corrplot()

使用cor.test函数进行相关性的检验：

cor.test(x, y, #指定带分析变量

alternative = c("two.sided", "less", "greater"),

#双侧检验，单侧检验(默认双侧)

method = c("pearson", "kendall", "spearman"),

#相关性算法(默认pearson法)

exact = NULL, conf.level = 0.95, continuity = FALSE, ...)

cor.test(diamonds$carat,diamonds$depth)

cor.test(~carat+depth,diamonds)

以上两种写法都是支持的。

从结果可以看到，两者几乎不相关，pearson相关系数仅有0.02左右。

Pyhton：

import pandas as pd

import numpy as np

diamonds=pd.read_csv('D:/R/File/diamonds.csv',sep = ',',encoding = 'utf-8')

diamonds.info()

pandas中带有相关系数函数pandas.corr

mydata=diamonds[["carat","depth","table","price"]]

mydata.info()

mydata.corr()

#可以直接给出数据框的相关系数矩阵

mydata.corr()["carat"]

#给出caret变量与其他变量之间的相关系数

mydata["carat"].corr(mydata["depth"])

#计算"carat"与"depth"之间的相关系数

与R语言中一样，pandas中内置的相关系数算法也是针对针对数值型变量的pearson法。

mydata.corr(method='pearson')

mydata.corr(method='pearson')["carat"]

mydata["carat"].corr(method='pearson',mydata["depth"])

method也可以指定spearman法和kendall法计算相关系数。

本文小结：

R语言：

cor

cor.test

corplot

Python：

pandas.corr

如需转载请联系EasyCharts团队！

微信后台回复“转载”即可！返回搜狐，查看更多

责任编辑：