我最近開(kāi)始和熊貓一起工作.任何人都可以用Series和DataFrame來(lái)解釋函數(shù).corrwith()的行為差異嗎？

假設(shè)我有一個(gè)DataFrame：

frame = pd.DataFrame(data={'a':[1,2,3], 'b':[-1,-2,-3], 'c':[10, -10, 10]})

我想要計(jì)算特征’a’和所有其他特征之間的相關(guān)性.

我可以通過(guò)以下方式完成：

frame.drop(labels='a', axis=1).corrwith(frame['a'])

結(jié)果將是：

b -1.0

c 0.0

但非常相似的代碼：

frame.drop(labels='a', axis=1).corrwith(frame[['a']])

生成絕對(duì)不同且不可接受的表格：

a NaN

b NaN

c NaN

所以,我的問(wèn)題是：為什么在DataFrame作為第二個(gè)參數(shù)的情況下,我們得到如此奇怪的輸出？

解決方法:

我認(rèn)為你在尋找什么：

假設(shè)您的框架是：

frame = pd.DataFrame(np.random.rand(10, 6), columns=['cost', 'amount', 'day', 'month', 'is_sale', 'hour'])

您希望“費(fèi)用”和“金額”列與每個(gè)組合中的所有其他列相關(guān)聯(lián).

focus_cols = ['cost', 'amount']

frame.corr().filter(focus_cols).drop(focus_cols)

回答你的問(wèn)題：

Compute pairwise

correlation between rows or columns of two DataFrame objects.

Parameters:

other : DataFrame

axis : {0 or ‘index’, 1 or ‘columns’},

default 0 0 or ‘index’ to compute column-wise, 1 or ‘columns’ for row-wise drop : boolean, default False Drop missing indices from

result, default returns union of all Returns: correls : Series

corrwith的行為類(lèi)似于add,sub,mul,div,因?yàn)樗Ｍ业揭粋€(gè)DataFrame或一個(gè)正在傳遞的系列,盡管文檔只說(shuō)DataFrame.

當(dāng)其他是系列時(shí),它播放該系列并沿軸指定的軸匹配,默認(rèn)為0.這就是以下工作的原因：

frame.drop(labels='a', axis=1).corrwith(frame.a)

b -1.0

c 0.0

dtype: float64

當(dāng)other是DataFrame時(shí),它將匹配軸指定的軸并關(guān)聯(lián)由另一個(gè)軸標(biāo)識(shí)的每個(gè)對(duì).如果我們這樣做：

frame.drop('a', axis=1).corrwith(frame.drop('b', axis=1))

a NaN

b NaN

c 1.0

dtype: float64

只有c是共同的,只有c計(jì)算了它的相關(guān)性.

在您指定的情況下：

frame.drop(labels='a', axis=1).corrwith(frame[['a']])

frame [[‘a(chǎn)’]]是一個(gè)DataFrame,因?yàn)閇[‘a(chǎn)’]]并且現(xiàn)在由DataFrame規(guī)則播放,其中的列必須與其相關(guān)的列匹配.但是你明確地從第一幀中刪除了一個(gè)然后與一個(gè)只有一個(gè)的數(shù)據(jù)幀相關(guān)聯(lián).結(jié)果是每列的NaN.

標(biāo)簽：python,pandas,dataframe

來(lái)源： https://codeday.me/bug/20191008/1870198.html

總結(jié)

以上是生活随笔為你收集整理的python corrwith_python – pandas.DataFrame corrwith()方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。