各相关系数

肯德尔系数(Kendall’s tau)

适用于有序数据,可以用来评估两个有序变量之间的单调关系。

适用情形:

  • 数据是非正态分布的,或者包含极端值时。
  • 数据是有序数据,例如排名。

局限性:

  • 仅能衡量两个变量之间的顺序关系,不能直接反映线性相关性。
  • 对于大样本计算可能比较耗时。
import numpy as np
from scipy.stats import kendalltau

# 示例数据
x = [1, 2, 3, 4]
y = [3, 2, 1, 4]

# 计算肯德尔系数和 p 值
tau, p_value = kendalltau(x, y)

print(f"肯德尔系数 (tau): {tau}")
print(f"p 值: {p_value}")

公式参考:https://docs.scipy.org/doc/scipy-0.19.1/reference/generated/scipy.stats.kendalltau.html

皮尔逊相关系数

用于度量线性关系,要求数据是连续且服从正态分布。【上学教的最普通的那种】

import numpy as np
from scipy.stats import pearsonr
# 示例数据

x = [2, 3, 4, 5, 6]
y = [5, 6, 7, 8, 9]
# 计算皮尔逊相关系数

pearson_corr, p_value = pearsonr(x, y)
print(f"皮尔逊相关系数: {pearson_corr}, p 值: {p_value}")

注意:

离群值可能显著影响 Pearson 系数的计算结果

Spearman相关系数

基于排序的相关系数,不依赖于数据的具体分布,对异常值也不敏感。
d为秩之差
在这里插入图片描述

import numpy as np
from scipy.stats import spearmanr

# 示例数据
x = [10, 12, 14, 16, 18]
y = [7, 9, 11, 13, 15]

# 计算 Spearman 相关系数
spearman_corr, p_value = spearmanr(x, y)
print(f"Spearman 相关系数: {spearman_corr}, p 值: {p_value}")
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值