品质好的女装品牌,西安seo排名收费,app那个网站开发比较好,河南郑州做网站的公司文章目录 前言原理关于 p p p 值Pearson 相关系数代码实例Spearman 相关系数代码实例求相关系数求相关系数矩阵 前言 相关系数尝尝用来衡量两个数值变量之间是否存在某种关系。我们常说的“正相关”“负相关”就是这种相关关系。而相关系数的绝对值大小体现了相关关系的强弱。… 文章目录 前言原理关于 p p p 值Pearson 相关系数代码实例Spearman 相关系数代码实例求相关系数求相关系数矩阵 前言 相关系数尝尝用来衡量两个数值变量之间是否存在某种关系。我们常说的“正相关”“负相关”就是这种相关关系。而相关系数的绝对值大小体现了相关关系的强弱。本文将介绍两种相关系数Pearson 相关系数和 Spearman 相关系数以及它们的 Python 求取。 区别Spearman 相关系数判定两个变量之间的趋势关系即“同增同减”的趋势程度。相比而言Pearson 相关系数判定两个变量之间的线性关系囊括“趋势”的同时还衡量“线性关系”。
原理 Pearson 相关系数评估两个连续变量之间的线性关系仅当 x , y x,y x,y 服从正态分布时该相关系数才具有一定意义。计算依据是 ρ C o v ( x , y ) σ x σ y ∑ i 1 n ( x i − x ˉ ) ( y i − y ˉ ) ∑ i 1 n ( x i − x ˉ ) 2 ∑ i 1 n ( y i − y ˉ ) 2 \rho\frac{Cov(x,y)}{{{\sigma }_{x}}{{\sigma }_{y}}}\frac{\sum_{i1}^{n}{(}{{x}_{i}}-\bar{x})({{y}_{i}}-\bar{y})}{\sqrt{\sum_{i1}^{n}{(}{{x}_{i}}-\bar{x}{{)}^{2}}}\sqrt{\sum_{i1}^{n}{(}{{y}_{i}}-\bar{y}{{)}^{2}}}} ρσxσyCov(x,y)∑i1n(xi−xˉ)2 ∑i1n(yi−yˉ)2 ∑i1n(xi−xˉ)(yi−yˉ) Spearman 相关系数是一种秩相关系数又称等级相关系数反映的是两个随机变量的的变化趋势方向和强度之间的关联是将两个随机变量的样本值按数据的大小顺序排列位次以各要素样本值的位次代替实际数据而求得的一种统计量。计算方式是 r C o v ( x , y ) σ x σ y ∑ i 1 n ( x ^ i − x ^ ˉ ) ( y ^ i − y ^ ˉ ) ∑ i 1 n ( x ^ i − x ^ ˉ ) 2 ∑ i 1 n ( y ^ i − y ^ ˉ ) 2 r\frac{Cov(x,y)}{{{\sigma }_{x}}{{\sigma }_{y}}}\frac{\sum_{i1}^{n}{(}{{\hat x}_{i}}-\bar{\hat x})({{\hat y}_{i}}-\bar{\hat y})}{\sqrt{\sum_{i1}^{n}{(}{{\hat x}_{i}}-\bar{\hat x}{{)}^{2}}}\sqrt{\sum_{i1}^{n}{(}{{\hat y}_{i}}-\bar{\hat y}{{)}^{2}}}} rσxσyCov(x,y)∑i1n(x^i−x^ˉ)2 ∑i1n(y^i−y^ˉ)2 ∑i1n(x^i−x^ˉ)(y^i−y^ˉ) 其中 x ^ i \hat x_i x^i 是 x i x_i xi 在 x x x 中从小到大的排名。例如 x [ 1 , 1 , 4 , 5 , 1 , 4 ] x[1,1,4,5,1,4] x[1,1,4,5,1,4]则 x ^ [ 1 , 1 , 2 , 3 , 1 , 2 ] \hat x[1,1,2,3,1,2] x^[1,1,2,3,1,2]。
参考文献Pearson 相关方法和 Spearman 相关方法的比较 - Minitab
关于 p p p 值 在获取到相关系数 后还需要看对应的 p p p 值。当 p p p 值异常时相关系数 r r r或者 ρ \rho ρ 再大也不能认为两个变量具有明显的相关关系因为相关系数大可能是偶然性引起的。 这个 p p p 值的含义是相关关系的不显著性水平是基于假设检验方法计算出来的接受“两变量之间不存在线性关联”这一假设的概率。通常取 0.05 0.05 0.05 为阈值当 p 0.05 p0.05 p0.05 时即可认为两个变量存在显著的线性关系。
Pearson 相关系数代码实例 这里直接放求相关系数矩阵的代码
import numpy as np
import pandas as pddata np.array([[1, 2, 3], [4, 5, 6],[11, 25, 346], [734, 48, 49]])print(np.corrcoef(data)) # 返回一个浮点矩阵好像没有 p 值实际上scipy.stats.pearsonr貌似也可以求 Pearson 相关系数还能给出 p p p 值。感兴趣的读者可以试试看使用方法和下文求取 Spearman 相关系数的代码实例类似。 Spearman 相关系数代码实例
求相关系数 两个维度的观测数据 x 1 , x 2 x_1,x_2 x1,x2 的相关系数求取
import numpy as np
from scipy import statsX1 [3, 5, 1, 6, 7, 2, 8, 9, 4]
X2 [5, 3, 2, 6, 8, 1, 7, 9, 4]corr, p_value stats.spearmanr(X1,X2) # 返回两个浮点值
print(corr,p_value)结果是corr 0.9p_value 0.0009430623223403293。
求相关系数矩阵 如果是多个维度的观测数据 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn其中每个维度的数据均有多个观测值 x i [ x i 1 , x i 2 , ⋯ , x i m ] {x_i}[{{x}_{i1}},{{x}_{i2}},\cdots ,{{x}_{im}}] xi[xi1,xi2,⋯,xim]可以按照下面的用法得到两两之间的 Spearman 相关系数 r ( x i , x j ) r(x_i,x_j) r(xi,xj)
import numpy as np
import pandas as pd
from scipy import statsdf pd.DataFrame({第一维: [1, 1, 4, 5, 1, 4],第二维: [1, 9, 1, 9, 8, 1],第三维: [1, 3, 1, 4, 0, 0]
})corr_matrix, p_value_matrix stats.spearmanr(df) # 返回两个浮点矩阵
print(corr_matrix, p_value_matrix)结果如下所示这里第二维与第三维之间的相关系数达到了0.63564173但是 p p p 值为0.17494988不认为他们之间具有显著相关性。
[[1. 0.03333333 0.31782086][0.03333333 1. 0.63564173][0.31782086 0.63564173 1. ]][[0.00000000e00 9.50018519e-01 5.39320264e-01][9.50018519e-01 0.00000000e00 1.74949881e-01][5.39320264e-01 1.74949881e-01 1.84889275e-32]]
