皮爾森理解

?皮爾森相關(guān)系數(shù)（Pearson correlation coefficient）也稱皮爾森積矩相關(guān)系數(shù)(Pearson product-moment correlation coefficient) ，是一種線性相關(guān)系數(shù)。皮爾森相關(guān)系數(shù)是用來反映兩個(gè)變量線性相關(guān)程度的統(tǒng)計(jì)量。相關(guān)系數(shù)用r表示，其中n為樣本量，分別為兩個(gè)變量的觀測(cè)值和均值。r描述的是兩個(gè)變量間線性相關(guān)強(qiáng)弱的程度。r的絕對(duì)值越大表明相關(guān)性越強(qiáng)。

簡(jiǎn)單的相關(guān)系數(shù)的分類

• 0.8-1.0 極強(qiáng)相關(guān)
• 0.6-0.8 強(qiáng)相關(guān)
• 0.4-0.6 中等程度相關(guān)
• 0.2-0.4 弱相關(guān)
• 0.0-0.2 極弱相關(guān)或無相關(guān)

?r描述的是兩個(gè)變量間線性相關(guān)強(qiáng)弱的程度。r的取值在-1與+1之間，若r>0，表明兩個(gè)變量是正相關(guān)，即一個(gè)變量的值越大，另一個(gè)變量的值也會(huì)越大；若r<0，表明兩個(gè)變量是負(fù)相關(guān)，即一個(gè)變量的值越大另一個(gè)變量的值反而會(huì)越小。r 的絕對(duì)值越大表明相關(guān)性越強(qiáng)，要注意的是這里并不存在因果關(guān)系。

?

python 實(shí)現(xiàn)

# encoding:utf-8
import pandas as pd
from pandas import DataFrame
import matplotlib.pyplot as plot
import math #target_url = ("https://archive.ics.uci.edu/ml/machine-learning-databases/undocumented/connectionist-bench/sonar/sonar.all-data") #rockVMines = pd.read_csv(target_url ,header=None,prefix="V") #prefix前綴 rockVMines = pd.read_csv('../rockdata.txt',header=None,prefix="V") #prefix前綴
row2 = rockVMines.iloc[1,0:60]
row3 = rockVMines.iloc[2,0:60]
n = len(row2)
mean2 = row2.mean()
mean3 = row3.mean()
t2=0 ; t3=0;t1=0
for i in range(n):
t2 += (row2[i] - mean2) * (row2[i] - mean2) / n
t3 += (row3[i] - mean3) * (row3[i] - mean3) / n
r23=0
for i in range(n):
r23 += (row2[i] - mean2)*(row3[i] - mean3)/(n* math.sqrt(t2 * t3))
print r23

corMat = DataFrame(rockVMines.corr()) #corr 求相關(guān)系數(shù)矩陣
print corMat
plot.pcolor(corMat)
plot.show()

轉(zhuǎn)載于:https://www.cnblogs.com/lxnz/p/7098954.html

總結(jié)

以上是生活随笔為你收集整理的python 皮尔森相关系数的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。