Python 相关分析

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。

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。