🔍 Как рассчитать корреляцию с помощью Питона: простой гид для начинающих 👩‍💻

Корреляция в Python можно рассчитать с помощью функции corrcoef() из библиотеки NumPy.

import numpy as np

# Пример данных для рассчета корреляции
x = [1, 2, 3, 4, 5]
y = [5, 4, 3, 2, 1]

# Рассчитываем корреляцию
correlation = np.corrcoef(x, y)[0, 1]
print(f"Корреляция между x и y: {correlation}")
    

В данном примере два массива, x и y, содержат значения. Затем мы используем функцию corrcoef() для рассчета корреляции между этими массивами. Результат сохраняется в переменную correlation. Наконец, мы выводим значение корреляции с помощью print().

Как рассчитать корреляцию в Python

Корреляция - это статистическая мера, которая показывает, насколько две переменные связаны друг с другом. В Python существует несколько способов рассчитать корреляцию, наиболее популярными из которых являются методы Pearson, Spearman и Kendall.

Метод Пирсона

Метод Пирсона измеряет линейную корреляцию между двумя переменными. Он возвращает значение от -1 до 1, где отрицательная корреляция указывает на обратную связь, положительная - на прямую связь, и значение 0 - на отсутствие связи.

import numpy as np

# Создаем два массива значений для рассчета корреляции
x = np.array([1, 2, 3, 4, 5])
y = np.array([5, 4, 3, 2, 1])

# Используем функцию corrcoef() из библиотеки numpy для рассчета корреляции Пирсона
correlation = np.corrcoef(x, y)[0, 1]

print(f"Корреляция Пирсона: {correlation}")
    

В этом коде мы используем функцию corrcoef() из библиотеки NumPy для рассчета корреляции Пирсона между массивами x и y. Значение корреляции сохраняется в переменной correlation и выводится на экран.

Метод Спирмена

Метод Спирмена также измеряет связь между переменными, но он работает с рангами значений, а не с их фактическими значениями. Он также возвращает значение от -1 до 1, где отрицательная корреляция указывает на обратную связь, положительная - на прямую связь, и значение 0 - на отсутствие связи.

import numpy as np

# Создаем два массива значений для рассчета корреляции
x = np.array([1, 2, 3, 4, 5])
y = np.array([5, 4, 3, 2, 1])

# Используем функцию spearmanr() из библиотеки scipy для рассчета корреляции Спирмена
from scipy.stats import spearmanr

correlation, _ = spearmanr(x, y)

print(f"Корреляция Спирмена: {correlation}")
    

В этом примере мы используем функцию spearmanr() из библиотеки SciPy для рассчета корреляции Спирмена между массивами x и y. Значение корреляции сохраняется в переменной correlation и выводится на экран.

Метод Кендалла

Метод Кендалла также измеряет связь между переменными, основываясь на рангах значений. Он также возвращает значение от -1 до 1, но учитывает порядок значений и может обнаруживать не только линейные, но и нелинейные связи между переменными.

import numpy as np

# Создаем два массива значений для рассчета корреляции
x = np.array([1, 2, 3, 4, 5])
y = np.array([5, 4, 3, 2, 1])

# Используем функцию kendalltau() из библиотеки scipy для рассчета корреляции Кендалла
from scipy.stats import kendalltau

correlation, _ = kendalltau(x, y)

print(f"Корреляция Кендалла: {correlation}")
    

В этом примере мы используем функцию kendalltau() из библиотеки SciPy для рассчета корреляции Кендалла между массивами x и y. Значение корреляции сохраняется в переменной correlation и выводится на экран.

Заключение

Мы рассмотрели три основных метода для рассчета корреляции в Python: метод Пирсона, метод Спирмена и метод Кендалла. Вы можете выбрать подходящий метод в зависимости от типа данных и требуемой связи между переменными. Используйте приведенные выше примеры кода в своих проектах для рассчета корреляции и анализа связей между данными.