python基于scipy模块实现统计学中三大相关系数的计算
最近用到了相关性分析的内容,想起来之前用过的皮尔森系数了,今天拿过来使用的时候发现统计学中关于相关性分析的部分有三大相关性系数,这里简单抱着拿来主义的心理去实践一下,具体的相关性系数计算方法都不需要自己去写了,python的第三方模块scipy中已经内置了相应的计算函数了,关于三者的异同点和适用场合我就不多介绍了,网上有很多相关的介绍的,下面是具体的实践:
#!usr/bin/env python
#encoding:utf-8'''
__Author__:沂水寒城
功能: 基于scipy模块实现统计学中三大相关系数的计算
'''import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from scipy.stats import pearsonr,spearmanr,kendalltaudef calFunc():'''基于scipy模块实现统计学中三大相关系数的计算'''vector1=[1.34,5.43,2.11,6.08,-2.31,1.11,-0.19]vector2=[2.01,4.67,1.01,4.33,-3.45,-1.37,2.32]print 'vector1 and vector1 similarity:'print '{0} and {1} pearsonr: {2}'.format('vector1','vector1',pearsonr(vector1,vector1)) print '{0} and {1} spearmanr: {2}'.format('vector1','vector1',spearmanr(vector1,vector1))print '{0} and {1} spearmanr: {2}'.format('vector1','vector1',kendalltau(vector1,vector1))print 'vector2 and vector2 similarity:'print '{0} and {1} pearsonr: {2}'.format('vector2','vector2',pearsonr(vector2,vector2)) print '{0} and {1} spearmanr: {2}'.format('vector2','vector2',spearmanr(vector2,vector2))print '{0} and {1} spearmanr: {2}'.format('vector2','vector2',kendalltau(vector2,vector2))print 'vector1 and vector2 similarity:'print '{0} and {1} pearsonr: {2}'.format('vector1','vector2',pearsonr(vector1,vector2)) print '{0} and {1} spearmanr: {2}'.format('vector1','vector2',spearmanr(vector1,vector2))print '{0} and {1} spearmanr: {2}'.format('vector1','vector2',kendalltau(vector1,vector2))if __name__=='__main__':calFunc()
结果如下:
vector1 and vector1 similarity:
vector1 and vector1 pearsonr: (1.0, 0.0)
vector1 and vector1 spearmanr: SpearmanrResult(correlation=1.0, pvalue=0.0)
vector1 and vector1 spearmanr: KendalltauResult(correlation=1.0, pvalue=0.001610794963892616)
vector2 and vector2 similarity:
vector2 and vector2 pearsonr: (1.0, 0.0)
vector2 and vector2 spearmanr: SpearmanrResult(correlation=1.0, pvalue=0.0)
vector2 and vector2 spearmanr: KendalltauResult(correlation=1.0, pvalue=0.001610794963892616)
vector1 and vector2 similarity:
vector1 and vector2 pearsonr: (0.8406893832306453, 0.017822028855280576)
vector1 and vector2 spearmanr: SpearmanrResult(correlation=0.7142857142857144, pvalue=0.07134356146753759)
vector1 and vector2 spearmanr: KendalltauResult(correlation=0.5238095238095238, pvalue=0.09852102062039901)
从计算结果中可以看到:
向量1和向量2的相关性还是很高的,向量自身之间的相关性都是1,每个计算结果的第二个参数表示的是置信度。
python基于scipy模块实现统计学中三大相关系数的计算相关推荐
- python相关性分析_python实践统计学中的三大相关性系数,并绘制相关性分析的热力图...
本文首发地址: https://yishuihancheng.blog.csdn.net/article/details/83547648 欢迎关注我的博客[Together_CZ],我是沂水寒城! ...
- python二元函数图像在线绘制_Python实现的拟合二元一次函数功能示例【基于scipy模块】...
Python实现的拟合二元一次函数功能示例[基于scipy模块] 发布时间:2020-08-31 00:46:24 来源:脚本之家 阅读:121 本文实例讲述了Python实现的拟合二元一次函数功能. ...
- python用于统计学_R 和 Python (numpy scipy pandas) 用于统计学分析,哪个更好?
用R做过Python擅长的,也用Python做过R擅长的.有一天,打开官网,看到两句话,豁然开朗. R:R is a free software environment for statistical ...
- python数据库编程:Python基于Pymssql模块实现连接SQL Server数据库的方法详解
本文实例讲述了Python基于Pymssql模块实现连接SQL Server数据库的方法.分享给大家供大家参考,具体如下: 数据库版本:SQL Server 2012. 按照Python版本来选择下载 ...
- python 绘制分布直方图_统计学中常见的4种抽样分布及其分布曲线(Python绘制)...
现代统计学奠基人之一.英国统计学家费希尔(Fisher)曾把抽样分布.参书估计和假设检验看作统计推断的三大中心内容. 统计学中,需要研究统计量的性质,并评价一个统计推断的优良性,而这些取决于其抽样分布 ...
- 通过python基于netconf协议获取网络中网元的配置数据,助力企业网络控制自动化轻松实现!
摘要:在当今信息化时代,大多数企业都需要网络支撑企业的ICT运行,提升企业运行效率,针对企业网络中的网元设备(包括交换机,路由器,防火墙等),很多企业希望根据自身的业务特点定制网络管理,比如可以实现网 ...
- 【Python】Paramiko模块在Windows10中import ssl报错的处理方法
上一篇文章[Python]Paramiko模块实现Linux服务器远程文件操作 介绍了如何通过Paramiko进行 sftp的操作,但最近遇到一个问题,换上家里的windows10电脑后,执行脚本时发 ...
- 【统计学】三大相关系数之皮尔逊相关系数(person correlation coefficient)
统计学中的三大相关性系数:pearson, spearman, kendall,他们反应的都是两个变量之间变化趋势的方向以及程度,其值范围为-1到+1. 0表示两个变量不相关,正值表示正相关,负值表示 ...
- matlab求样本相关系数,matlab中样本相关系数的计算与测试
1. 何谓相关系数? 此处只列出相关系数的公式: r=Cov(X,Y)σxσy=E(X−μx)(Y−μy)σxσy 更多内容请百度或者看概率论与数理统计方面的书. 文章的目的是测试一下如何使用这个公式 ...
- python二元多次函数拟合_Python实现的拟合二元一次函数功能示例【基于scipy模块】...
本文实例讲述了Python实现的拟合二元一次函数功能.分享给大家供大家参考,具体如下: 背景: 使用scipy拟合一元二次函数. 参考: HYRY Studio-<用Python做科学计算> ...
最新文章
- Font Awesome 完美的图标字体
- 优化项目中树结构数据的操作
- 机器学习之 weka学习(二)算法说明
- 数据库运维:检查不同数据库中表的差异方案
- win10企业版更新和安全中没有 “恢复”这个选项_通知:微软已强制对Windows 10更新升级...
- golang中package的4种导入方式
- 双十一 手淘技术用了这几招
- 属性匹配工具_Route-policy的匹配工具If-match的使用简介
- [似水流年]夜色渐深窗内静坐有感
- UVA725 UVALive5362 Division【暴力+进制】
- html button样式_HTML基础
- 通信系列2: 深入浅出SIP协议
- JAVA IO与NIO面试题
- linux压缩文件方式,在 Linux 上压缩文件的 5 种方法
- 微信配置JS接口安全域名-Nginx配置 文件的配置
- label smooth标签平滑【ConvE(知识图谱补全-链接预测)中使用到】
- 关于C++报错:“表达式必须含有常值”的解决办法
- 面试可能遇到java基础知识
- 两轮电动车被小米、哈啰们盯上了
- 微信之分享到朋友圈并记录分享次数