pearson相关系数：用于判断数据是否线性相关的方法。

注意：不线性相关并不代表不相关，因为可能是非线性相关。

Python计算pearson相关系数：

1. 使用numpy计算(corrcoef)，以下是先标准化再求相关系数

importnumpy as npimportpandas as pd

aa= np.array([2,3,9,6,8])

bb= np.array([5,6,3,7,9])

cc=np.array([aa, bb])print(cc)

cc_mean= np.mean(cc, axis=0) #axis=0,表示按列求均值 ——— 即第一维

cc_std = np.std(cc, axis=0)

cc_zscore= (cc-cc_mean)/cc_std #标准化

cc_zscore_corr= np.corrcoef(cc_zscore) #相关系数矩阵

print(cc_zscore_corr)

其中：

def corrcoef(x, y=None, rowvar=True, bias=np._NoValue, ddof=np._NoValue):"""Return Pearson product-moment correlation coefficients.

Please refer to the documentation for `cov` for more detail. The

relationship between the correlation coefficient matrix, `R`, and the

covariance matrix, `C`, is

.. math::R_{ij} = \\frac{ C_{ij} } { \\sqrt{ C_{ii} * C_{jj} } }

The values of `R` are between -1 and 1, inclusive.

Parameters

----------

x : array_like

A 1-D or 2-D array containing multiple variables and observations.

Each row of `x` represents a variable, and each column a single

observation of all those variables. Also see `rowvar` below.

2. 使用pandas计算相关系数

cc_pd = pd.DataFrame(cc_zscore.T, columns=['c1', 'c2'])

cc_corr= cc_pd.corr(method='spearman') #相关系数矩阵

其中，method中，有三种相关系数的计算方式，包括 —— 'pearson', 'kendall', 'spearman'，常用的是线性相关pearson。

Parameters----------method : {'pearson', 'kendall', 'spearman'}*pearson : standard correlation coefficient*kendall : Kendall Tau correlation coefficient* spearman : Spearman rank correlation

cc_corr 值可用于获取：某个因子与其他因子的相关系数：

print(cc_corr['c1']) #某个因子与其他因子的相关系数

附：pandas计算协方差

print(cc_pd.c1.cov(cc_pd.c2)) #协方差

print(cc_pd.c1.corr(cc_pd.c2)) #两个因子的相关系数

y_cov = cc_pd.cov() #协方差矩阵

3. 可直接计算，因为pearson相关系数的计算公式为：

cov(X,Y)表示的是协方差

var(x)和var(y)表示的是方差

##

参考：