🔢 Как рассчитать корреляцию в Python: простой гид с примерами ⏩

Чтобы рассчитать корреляцию в Python, можно использовать функцию corrcoef() из модуля numpy.

Вот пример кода:

import numpy as np

# Создание двух массивов
x = np.array([1, 2, 3, 4, 5])
y = np.array([5, 4, 3, 2, 1])

# Рассчет корреляции
correlation = np.corrcoef(x, y)[0, 1]

print(f"Корреляция между x и y: {correlation:.2f}")

Как рассчитать корреляцию в Python

Корреляция является мерой взаимосвязи между двумя переменными. Она может быть использована для определения, насколько сильно две переменные связаны друг с другом. В Python существует несколько способов вычисления корреляции, включая использование библиотеки pandas и NumPy.

Метод корреляции Пирсона

Один из наиболее распространенных методов для вычисления корреляции - это метод Пирсона. Он определяет линейную связь между двумя переменными, позволяя нам понять, насколько одна переменная изменяется при изменении другой.

Для вычисления корреляции Пирсона вам потребуется библиотека pandas. Рассмотрим пример:

import pandas as pd

# Создадим два массива данных
data1 = [1, 2, 3, 4, 5]
data2 = [5, 4, 3, 2, 1]

# Создадим DataFrame из этих массивов
df = pd.DataFrame({'data1': data1, 'data2': data2})

# Вычисляем корреляцию Пирсона
correlation = df['data1'].corr(df['data2'])

print(f"Корреляция между data1 и data2: {correlation}")

В данном примере мы создаем два массива данных data1 и data2, затем объединяем их в DataFrame с помощью библиотеки pandas. Затем мы используем метод corr(), чтобы вычислить корреляцию между столбцами data1 и data2. Результат выводится на экран.

Метод корреляции Спирмена

Другим часто используемым методом вычисления корреляции является метод Спирмена. Он измеряет степень связи между двумя переменными, независимо от того, является ли эта связь линейной или нет.

Для вычисления корреляции Спирмена также можно использовать библиотеку pandas. Рассмотрим пример:

import pandas as pd

# Создадим два массива данных
data1 = [1, 2, 3, 4, 5]
data2 = [5, 4, 3, 2, 1]

# Создадим DataFrame из этих массивов
df = pd.DataFrame({'data1': data1, 'data2': data2})

# Вычисляем корреляцию Спирмена
correlation = df['data1'].corr(df['data2'], method='spearman')

print(f"Корреляция между data1 и data2: {correlation}")

В данном примере мы также создаем два массива данных и объединяем их в DataFrame. Затем мы используем метод corr() с указанием параметра method='spearman', чтобы вычислить корреляцию Спирмена. Результат также выводится на экран.

Матрица корреляции

Кроме вычисления корреляции между двумя переменными, мы также можем вычислить матрицу корреляции для нескольких переменных. Матрица корреляции - это таблица, в которой каждая ячейка показывает корреляцию между двумя переменными.

Для вычисления матрицы корреляции воспользуемся библиотеками pandas и seaborn. Вот пример:

import pandas as pd
import seaborn as sns

# Создадим массив данных
data = {'data1': [1, 2, 3, 4, 5],
        'data2': [5, 4, 3, 2, 1],
        'data3': [2, 4, 6, 8, 10]}

# Создадим DataFrame из этого массива
df = pd.DataFrame(data)

# Вычисляем матрицу корреляции
correlation_matrix = df.corr()

# Визуализируем матрицу корреляции
sns.heatmap(correlation_matrix, annot=True)

# Отображаем график
plt.show()

В данном примере мы создаем массив данных и преобразуем его в DataFrame. Затем мы используем метод corr(), чтобы вычислить матрицу корреляции переменных в DataFrame. После этого мы визуализируем матрицу корреляции с помощью библиотеки seaborn. Результат отображается в виде тепловой карты.

Заключение

В этой статье мы рассмотрели, как рассчитать корреляцию в Python. Мы изучили методы корреляции Пирсона и Спирмена, а также вычисление матрицы корреляции для нескольких переменных. Надеюсь, эта информация была полезной для вас при работе с анализом данных в Python!