一、理论知识：

要理解 Pearson 相关系数，首先要理解协方差（Covariance）。协方差表示两个变量 X，Y 间相互关系的数字特征，其计算公式为：

当 Y = X 时，即与方差相同。当变量 X，Y 的变化趋势一致时，如果某个 Xi 大于 X¯，相应的 Yi 也大于 Y¯；如果某个 Xi小于 X¯，相应的 Yi 也小于¯Y¯，那么 COV(X,Y)COV(X,Y) 就是正值，当变量 X，Y 的变化趋势相反时，那么 COV(X,Y)COV(X,Y) 就是负值。

Pearson 相关系数公式如下：

由公式可知，Pearson 相关系数是用协方差除以两个变量的标准差得到的，虽然协方差能反映两个随机变量的相关程度（协方差大于0的时候表示两者正相关，小于0的时候表示两者负相关），但其数值上受量纲的影响很大，不能简单地从协方差的数值大小给出变量相关程度的判断。为了消除这种量纲的影响，于是就有了相关系数的概念。

当相关系数为1时，成为完全正相关；当相关系数为-1时，成为完全负相关；相关系数的绝对值越大，相关性越强；相关系数越接近于0，相关度越弱。

二、函数：Pearsonr（x,y）

1）输入：x为特征，y为目标变量.

2）输出：r：相关系数 [-1，1]之间，p-value: p值。

注： p值越小，表示相关系数越显著，一般p值在500个样本以上时有较高的可靠性。

三、python实现Pearson correlation coefficient

############导包#################
import numpy as np
from scipy.stats import pearsonr
import csv
############导入数据#############
Housing_dataset = np.loadtxt('./dataset/Housing_dataset03.csv',delimiter=",",skiprows=1)
############切分数据#############
X = Housing_dataset[:,1:-1]
y = Housing_dataset[:,-1:]
print(X.shape)
print(y.shape)
#############Pearsonr分析#########
for i in range(0,13,1):x = X[:,i].reshape(-1,1)print(x.shape)#------------pearsonr（x,y）-------------result = pearsonr(x,y)    #------------保存结果--------------------with open('./dataset/Pearsonr_dataset03.csv','a+',encoding='GB18030',newline="")as file_write:result_writer = csv.writer(file_write)result_writer.writerow(result)

Reference：

https://blog.csdn.net/huangfei711/article/details/78456165

https://blog.csdn.net/zhouwenyuan1015/article/details/65938847

相关性分析：皮尔逊相关系数——python实现Pearson correlation coefficient相关推荐

Python--如何计算皮尔逊相关系数（Pearson correlation coefficient）
皮尔逊系数在统计学中,皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlation ...
皮尔逊相关系数 Pearson correlation coefficient
在统计学中,皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlation coeff ...
ML之PPMCC：PPMCC皮尔逊相关系数(Pearson correlation coefficient)、Spearman相关系数的简介、案例应用之详细攻略
ML之PPMCC:PPMCC皮尔逊相关系数(Pearson correlation coefficient).Spearman相关系数的简介.案例应用之详细攻略目录 PPMCC皮尔逊相关系数的简介 ...
皮尔逊相关系数（Pearson Correlation Coefficient, Pearson's r）
Pearson's r,称为皮尔逊相关系数(Pearson correlation coefficient),用来反映两个随机变量之间的线性相关程度. 用于总体(population)时记作ρ (rh ...
ML之FE：PCC皮尔逊相关系数(Pearson correlation coefficient)的简介、案例应用(与spearman相关系数对比及其代码实现)之详细攻略
ML之FE:PCC皮尔逊相关系数(Pearson correlation coefficient)的简介.案例应用(与spearman相关系数对比及其代码实现)之详细攻略目录 PCC/PPMCC皮尔 ...
python相关性分析模型,相关性分析原理及Python实战
本文阅读时间大概在8分钟. 相关性分析我们常说的相关性分析是分析两个变量之间线性相关程度的方法,其相关性强度的度量即为相关性系数.现实中很多事物间都拥有或多或少的相关性,例如,房屋面积对价格的影响, ...
皮尔逊相关系数python实现
一.皮尔逊相关系数常见公式: 公式转换: 具体和皮尔逊相关系数相关的内容可以看之前的一篇文章. 相似度计算(2)--皮尔逊相关系数二.python实现方法1:直接按公式算 import nump ...
Spearman 相关性分析法,以及python的完整代码应用
Spearman 相关性分析法简介 Spearman 相关性分析法是一种针对两个变量之间非线性关系的相关性计算方法,同时,它不对数据的分布进行假设.该方法的基本思想是将两个(也可以多个)变量的值进行 ...
皮尔森（Pearson correlation coefficient）相关系数—统计学三大相关系数之一
概述皮尔森相关系数也称皮尔森积矩相关系数(Pearson product-moment correlation coefficient) ,是一种线性相关系数,是最常用的一种相关系数.记为r,用来反 ...

相关性分析：皮尔逊相关系数——python实现Pearson correlation coefficient

一、理论知识：

二、函数：Pearsonr（x,y）

三、python实现Pearson correlation coefficient

相关性分析：皮尔逊相关系数——python实现Pearson correlation coefficient相关推荐

最新文章

热门文章