pandas 的相关性判断

DataFrame的应用

窗口计算

DataFrame对象的rolling方法允许将数据置于窗口中，我们可以使用函数对数据进行运算和处理

相关性判定

在统计学中，我们通常使用协方差来衡量两个随机变量的联合变化程度。如果变量 X 的较大值主要与另一个变量 Y 的较大值相对应，而两者的较小值也相对应，那么两个变量倾向于表现出相似的行为，协方差为正。

如果一个变量的较大值主要对应另一个变量的较小值，则两个变量倾向于表现出相反的行为，协方差为负

协方差的正负显示着两个两个变量的相关性，方差是协方差的一种特殊情况，即变量与自身的协方差。

如果X和Y是统一独立的，那么二者的协方差为0，因为在独立的情况下

在正态形式的协方差可以显示两变量线性关系的强弱。在统计学中，皮尔逊积矩相关系数就是正态形式的协方差，它用于度量两个变量X和Y之间的相关程度（线性相关），其值介于-1到1之间

估算样本的协方差和标准差，也可以得到样本的皮尔逊系数，通常用字母ρ表示

判断指标间是正相关、负相关，还是不相关。

当 ρ > 0 ，认为变量之间是正相关，也就是两者的趋势一致。
当 ρ < 0 ，认为变量之间是负相关，也就是两者的趋势相反。
当 ρ = 0 ，认为变量之间是不相关的，但并不代表两个指标是统计独立的。

判断指标间的相关程度。

当 ρ 的绝对值在[0.6,1]之间，认为变量之间是强相关的。
当 ρ 的绝对值在[0.1,0.6)之间，认为变量之间是弱相关的。
当 ρ 的绝对值在[0,0.1)之间，认为变量之间没有相关性。

皮尔逊相关系数适用于：
两个变量之间是线性关系，都是连续数据。
两个变量的总体是正态分布，或接近正态的单峰分布。
两个变量的观测值是成对的，每对观测值之间相互独立。

DataFrame对象的cov方法和corr方法分别用于计算协方差和相关系数，corr方法的第一个参数method的默认值是pearson，表示计算皮尔逊相关系数；除此之外，还可以指定kendall或spearman来获得肯德尔系数或斯皮尔曼等级相关系数。