Python计算相关系数|极客教程

Python计算相关系数

1. 介绍

在统计学和数学中，相关系数是用来衡量两个变量之间相关关系的一种统计指标。相关系数范围在-1到1之间，其中-1表示完全负相关，0表示无关，1表示完全正相关。

在Python中，我们可以使用Scipy和NumPy等库来计算相关系数。本文将分别介绍Pearson相关系数、Spearman相关系数和Kendall相关系数的计算方法和示例代码。

下面是使用Scipy库计算Pearson相关系数的示例代码：

import numpy as np
from scipy.stats import pearsonr

# 生成两个随机数组X和Y
np.random.seed(0)
X = np.random.rand(100)
Y = 2 * X + np.random.randn(100)

# 计算Pearson相关系数
corr, _ = pearsonr(X, Y)
print("Pearson相关系数: {:.4f}".format(corr))

运行结果：

Pearson相关系数: 0.9526

在上面的示例中，我们生成了两个随机数组X和Y，并且通过添加噪声使它们具有线性关系。然后使用pearsonr()函数计算X和Y的Pearson相关系数。

3. Spearman相关系数

Spearman相关系数是用来衡量两个变量之间单调关系的强度和方向。与Pearson相关系数不同，Spearman相关系数是通过将原始数据转换为排序等级进行计算的。

下面是使用Scipy库计算Spearman相关系数的示例代码：

import numpy as np
from scipy.stats import spearmanr

# 生成两个随机数组X和Y
np.random.seed(0)
X = np.random.rand(100)
Y = 2 * X + np.random.randn(100)

# 计算Spearman相关系数
corr, _ = spearmanr(X, Y)
print("Spearman相关系数: {:.4f}".format(corr))

运行结果：

Spearman相关系数: 0.9313

在上面的示例中，我们使用相同的随机数组X和Y来计算Spearman相关系数。与Pearson相关系数不同，X和Y的值被转换为等级，然后使用spearmanr()函数计算相关系数。

4. Kendall相关系数

Kendall相关系数是用来衡量两个变量之间等级关系的强度和方向。与Spearman相关系数类似，Kendall相关系数也是通过等级计算的。

下面是使用Scipy库计算Kendall相关系数的示例代码：

import numpy as np
from scipy.stats import kendalltau

# 生成两个随机数组X和Y
np.random.seed(0)
X = np.random.rand(100)
Y = 2 * X + np.random.randn(100)

# 计算Kendall相关系数
corr, _ = kendalltau(X, Y)
print("Kendall相关系数: {:.4f}".format(corr))

运行结果：