python相关分析和关联分析

最新推荐文章于 2025-10-19 21:23:30 发布

原创

最新推荐文章于 2025-10-19 21:23:30 发布 · 3.2k 阅读

9 ·

CC 4.0 BY-SA版权

本文探讨了Python中相关分析的各种方法，包括相关系数的显著性检验、偏相关分析、点二列相关分析以及非参数相关分析。在相关分析中，强调了相关关系的特性，如非传递性和方向性无关。在关联分析部分，提到了如何处理连续变量与分类变量的关系，以及使用如FP-growth算法处理0-1型数据的需求。

相关分析

函数关系：

相关关系：影响不存在方向性，比如身高越高体重越重，但不能说身高增加1cm体重增加2kg

相关分析不具有传递性，A和C相关，B和C相关，A和B不一定相关

相关系数的显著性检验

#1.两两相关性[有相关系数有p值]
correlation=[]
for I in car_corr[['weight','circle','horsepower']].columns:
    correlation.append(stats.pearsonr(car_corr['max_speed'],car_corr[I]))
#1.2 仅有p值
from sklearn.feature_selection import f_regression
F,P_value=f_regression(car_corr[['weight','circle','horsepower']],car_corr['max_speed'])
#2. df的相关系数矩阵[只有相关系数，没有p值]
car_corr[['weight','circle','horsepower','Max_speed']].corr()
#2.2
np.corrcoef((car_corr['Weight'],car_corr['circle'],car_corr['horsepower'],car_corr['Max_speed']))

偏相关分析

发动机作为汽车的心脏，对各项指标有影响。因此，在研究其他指标和最高时速指标之间的相关关系是，会不知不觉在变量之间加入发动机相关指标，对所研究的变量有影响，而这种影响由于相关关系的不可传递性，往往会得到错误的结论

剔除其他变量影响之后再进行相关分析

def partial_corr(x,y,partical=[]):
    #x,y为考察相关关系的变量，partical为控制变量
    xy,xyp=stats

最低0.47元/天解锁文章