correlation相关性如何计算 相关系数Correlation
发布时间:2024-08-27 12:29:43 编辑:窦辰园 来源:
hello大家好,我是大学网网小航来为大家解答以上问题,correlation相关性如何计算,相关系数Correlation很多人还不知道,现在让我们一起来看看吧!
通常指Pearson product-moment correlation coefficient,统计学参数,用来研究变量间的相关性,通常描述变量间的线性相关性。其范围介于-1和1之间,其绝对值越接近1,说明变量间的相关性越大。
相关系数r的范围
Pearson相关系数的计算公式如下:
Pearson相关系数计算公式
该公式将变量x和y的协方差与变量x和y的方差积的根号值的比值作为新的参数来衡量变量x和y之间相关性。Pearson相关系数的好处在于归一化了系数的范围,不用考虑量纲值对参数评价的影响,但是该系数有一定的局限性,并不能完全描述所有变量的相关性。除此之外描述变量相关性的系数还有Spearman correlation coefficient(斯皮尔曼相关性系数)和Kendall(肯德尔相关性系数)系数。Spearman系数用于描述具有顺序属性的变量序列,而Kendall序列用于描述具有类别属性的变量。
明确了这些系数之后,重点在于如何计算这些系数。可以通过一些统计分析软件,去计算这些系数,常用的有Origin和Spss等。此外也可以使用python和Matlab的库函数很容易求得这些变量之间的相关系数。以Origin为例:
我们首先可以导入需要分析的变量值到一个工作簿中,然后进入Origin统计菜单,然后点击相关系数进入相关系数页面
在相关系数页面,我们可以选择要选取变量的范围,指定需要计算那些相关性系数,同时可以将变量绘制成散点图便于可视化分析。
通过计算可得变量A和变量B之间是高度相关的,其相关系数值高达0.99。
Origin计算相关系数
通过使用Python的pandas库我们可以很容易对相应的变量执行相关系数计算,通过计算可以求得变量1和变量2之间的相关系数为0.99461,这和Origin计算得到的结果一致。此外还可以在corr函数内设置相关系数的计算类别,进一步执行Spearman系数和Kendall系数计算。使用Python的好处是可以方便快捷去执行批量化的相关系数计算。
使用python计算相关系数
本文就为大家讲解到这里,希望对大家有所帮助。
上一篇:英特尔ArcGPU驱动程序现在支持LunarLakeCoreUltra200V和Arc140V和130VXe2iGPU
下一篇:最后一页
- correlation相关性如何计算 相关系数Correlation
- 双随机一公开的具体措施是什么 双随机一公开知识
- 忘掉法拉利Purosangue我们宁愿拥有Vigilante的Viper换成1979年吉普切诺基
- 步步惊心二部大结局 步步惊心番外篇终于大结局
- 理工大学70周年校庆 兰理工建校100周年庆典大会将全程直播)
- 稀有绝版符号(翅膀特殊符号)
- 英雄联盟低段位隐藏分如何提高 英雄联盟排位为什么总匹配比自己段位低的队友
- 今日现在有什么投资小的生意(现在有什么投资小的生意)
- 光明系列游戏顺序(光明系列)
- 春晚真是记录了贾玲的发胖史 一年更比一年胖
- 今日神仙道培养上限(神仙道怎么无限体力)
- 山川之美,古来共谈之的意思(山川之美 古来共谈的谈是什么意思)
- 上海大众和一汽大众有什么车型(上海大众和一汽大众有什么区别)
- 谷爱凌爸爸(谷果手机)
- 1967款雪佛兰ImpalaSuperSport虽非完美却十分华丽