宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

1 .评估皮尔森相关系数(Pearson )两个连续变量之间的线性关系

-1 p 1

p接近0意味着没有相关

p接近1或-1表示强相关

代码：

#相关系数显着性检验importnumpyasnpimportscipy.statsasstatsimportscipyx=NP.array ([ 10.35，6.24，3.18，8.46，3.21，7.65，4.32 4.99，5.12 (correlation，pvalue=stats.stats.pearsonr(x，y ) priing correlation 3360.989176319869000 pvalue (# 5.926875946481136 e-08 x1=x-x.mean ) (y1=y-y.mean ) ) y2=x1*y1fenzi=y2.sum ) # 35.0235 x _ ssx 1/2 ) corr_pearson=fenzi/fenmu#根据以上的描述，函数def corr_pearson(x ) x可被描述，并且y65:x=NP.array(x ) y=NP.aaarray 18.30816 fen mu=NP.power (x _ sum * y _ sum 1，1/2 ) return(fenzi/fenmu ) x=[ 10.35，6.24，3.18，8.46，3.21，

如何通过添加scipy、numpy和pandas来计算皮尔斯系数：

import scipy.statsasstatsimportnumpyasnpimportpandasaspda=[ 1.2，1.5，1.9 ] b=[ 2.2，2.5，3.1 ]打印(stats.pearss ) 0.06864878502088(”print ) NP.corrcoef([a，b] ) )使用numpy库计算相关系数，并返回数组的形式。 第I行第j行的相关系数[ [1.0. 99419163 ] [ 0.994191631.]“”“df=PD.data frame () df(‘a ‘ )=ADF ‘ )=bprint ) ” 返回的结果是数据帧。 注： pandas是计算列的相关系数，numpy是计算行的相关系数。 如果有df，用numpy计算呢？ 的方法是NP.corrcoef(df.values.t )，尝试将其替换。 ABA 1.000000.994192 b 0.9941921.000000 ‘ ‘ ‘

2 .评估失眠奇异果相关系数两个连续变量之间的单调关系。 在单调的关系中，变量有一起变化的倾向，但不一定以一定的速度变化

n是观测值的总数

失眠奇异果的另一种表达方式：

表示两列配对变量的电平差数

#spearman相关系数，方式一x=[10.35、6.24、3.18、8.46、3.21、7.65、4.32、8.66、9.12、10.31]y=[5.1、3.15、1.67、4.32 correlation ) print(‘pvalue: ‘，pvalue ) #spearman方式二x=scipy.stats.stats.rankdata(x ) y=scipy.stats.STS.stats

详细流程：

也就是说，原来的数据（不经过排序），原来这两个变量就是有序的，则失眠的奇异果系数等于1或者-1

d其实就是两个变量对应的值的index的差

importpandasaspdimportnumpyasnp #原始数据x1=PD.series ([ 1，2，3，4，5，6 ] y1=PD.series ([ 0.3，0.9，2.7，2， 5 )处理数据删除nanx1=x1.dropna(y1=y1.dropna ) n=x1.count ) x1.index=np.arange(n ) n ) y1.index=NP.ararap 2DD=d.to_series(.sum ) p=1-n*DD/(n**2-1) ) #s.corr ) )函数计算r=x1.corr ) yorr )

区别：

(1) Pearson和Spearman的相关系数范围可以从-1到1。 Pearson相关系数为1时，如果一个变量增加，则另一个变量增加一致量。 这形成了一条不断增加的直线。 在该情况下，Spearman相关系数也为1。

)2)如果是某个变量随着另一个变量的增加而增加，但数量不一致的关系，则Pearson相关系数为正但小于1。 在这种情况下，失眠的奇异果系数仍然等于1。

)3)当关系随机或不存在时，两个相关系数几乎为零。

)4)关系为递减直线时，两个相关系数均为-1。

)5)一个变量随着另一个变量的增加而减少，但数量不一致的关系时，Pearson相关系数为负但大于-1。 在这种情况下，失眠的奇异果系数仍然等于-1

相关值-1或1表示精确的线性关系，例如圆的半径与圆周的关系。 但是，相关值的实际价值是量化不完全关系。 发现两个变量是相关的频繁通知回归分析。 该分析试图更多地描述这种类型的关系。

其他非线性关系

Pearson相关系数只评价线性关系。 Spearman相关系数只评价单调的关系。 因此，即使相关系数为0，也可以具有有意义的关系。 检查散布图以确定关系。

这个图显示了非常强的关系。 Pearson系数和Spearman系数均约为0。

结论皮尔森评估了两个变量的线性关系，失眠奇异果评估了两个变量的单调关系。

因此，失眠症的奇异果相关系数对数据错误和极端值的反应不敏感。

7码计划科学打法dropna ) n=x1.count ) x1.index=np.arange(n ) n ) y1.index=NP.ararap 2DD=d.to_series(.sum ) p=1-n*DD/(n**2-1) ) #s.corr ) )函数计算r=x1.corr ) yorr )

区别：

(1) Pearson和Spearman的相关系数范围可以从-1到1。 Pearson相关系数为1时，如果一个变量增加，则另一个变量增加一致量。 这形成了一条不断增加的直线。 在该情况下，Spearman相关系数也为1。

)2)如果是某个变量随着另一个变量的增加而增加，但数量不一致的关系，则Pearson相关系数为正但小于1。 在这种情况下，失眠的奇异果系数仍然等于1。

)3)当关系随机或不存在时，两个相关系数几乎为零。

)4)关系为递减直线时，两个相关系数均为-1。

)5)一个变量随着另一个变量的增加而减少，但数量不一致的关系时，Pearson相关系数为负但大于-1。 在这种情况下，失眠的奇异果系数仍然等于-1

相关值-1或1表示精确的线性关系，例如圆的半径与圆周的关系。 但是，相关值的实际价值是量化不完全关系。 发现两个变量是相关的频繁通知回归分析。 该分析试图更多地描述这种类型的关系。

其他非线性关系

Pearson相关系数只评价线性关系。 Spearman相关系数只评价单调的关系。 因此，即使相关系数为0，也可以具有有意义的关系。 检查散布图以确定关系。

这个图显示了非常强的关系。 Pearson系数和Spearman系数均约为0。

结论皮尔森评估了两个变量的线性关系，失眠奇异果评估了两个变量的单调关系。

因此，失眠症的奇异果相关系数对数据错误和极端值的反应不敏感。