一、簡介

dataframe.corr()是Pandas庫中的一個函數(shù)，用于計算DataFrame中各列之間的相關(guān)系數(shù)。相關(guān)系數(shù)衡量的是兩個變量之間線性關(guān)系的強度和方向，結(jié)果在-1到1之間，分別表示完全負相關(guān)和完全正相關(guān)。

二、語法和參數(shù)

DataFrame.corr(method='pearson', min_periods=1)

method: 可選。計算相關(guān)系數(shù)的方法，有’pearson’（默認）、‘kendall’、'spearman’三種可選。

• 'pearson'：標準皮爾遜相關(guān)系數(shù)。
• 'kendall'：肯德爾等級相關(guān)系數(shù)。
• 'spearman'：斯皮爾曼等級相關(guān)系數(shù)。

min_periods: 可選。每對元素的最小數(shù)量，以便計算相關(guān)系數(shù)。

三、實例

3.1 計算默認的皮爾遜相關(guān)系數(shù)

import pandas as pd

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 4, 3, 2, 1],
    'C': [2, 2, 3, 4, 4]
}
df = pd.DataFrame(data)

# 計算相關(guān)系數(shù)
correlation_matrix = df.corr()
print(correlation_matrix)

輸出：

          A         B         C
A  1.000000 -1.000000  0.948683
B -1.000000  1.000000 -0.948683
C  0.948683 -0.948683  1.000000

3.2 計算斯皮爾曼相關(guān)系數(shù)

import pandas as pd

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 4, 3, 2, 1],
    'C': [2, 2, 3, 4, 4]
}
df = pd.DataFrame(data)

# 計算相關(guān)系數(shù)
correlation_matrix = df.corr(method='spearman')
print(correlation_matrix)

輸出：

          A         B         C
A  1.000000 -1.000000  0.948683
B -1.000000  1.000000 -0.948683
C  0.948683 -0.948683  1.000000

3.3 計算斯皮爾曼相關(guān)系數(shù)

import pandas as pd

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 4, 3, 2, 1],
    'C': [2, 2, 3, 4, 4]
}
df = pd.DataFrame(data)

# 計算相關(guān)系數(shù)
correlation_matrix = df.corr(method='kendall')
print(correlation_matrix)

輸出

          A         B         C
A  1.000000 -1.000000  0.894427
B -1.000000  1.000000 -0.894427
C  0.894427 -0.894427  1.000000

四、注意事項

• 當使用kendall和spearman方法時，計算可能會比pearson方法慢，因為這些方法需要排序。
• 如果數(shù)據(jù)集中存在NaN值，默認情況下這些值會被忽略。
• 計算相關(guān)系數(shù)前，確保數(shù)據(jù)已經(jīng)清洗并準備好，以避免錯誤或不準確的結(jié)果。

到此這篇關(guān)于Pandas庫中dataframe.corr()函數(shù)的使用的文章就介紹到這了,更多相關(guān)Pandas dataframe.corr()函數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！ 

最新評論