本文主要解释“皮尔逊、斯皮尔曼和肯德尔之间是什么关系”。感兴趣的朋友不妨看看。本文介绍的方法简单、快速、实用。让边肖学会“皮尔逊、斯皮尔曼和肯德尔之间是什么关系”！
统计学上有三个相关系数：皮尔逊、斯皮尔曼、肯德尔肯德尔。它们都反映了两个变量之间变化趋势的方向和程度，它们的值在-1到1之间。
0表示两个变量不相关，正值表示正相关，负值表示负相关，数值越高表示相关性越强。1.个人相关系数(皮尔逊相关系数)
皮尔逊相关系数通常用R或表示，它衡量两个变量X和Y之间的关系(线性相关)(1)
皮尔逊相关系数的值等于它们之间的协方差覆盖(X，Y)除以它们各自标准偏差(X，Y)的乘积。(2)数据要求
A.正态分布
它是协方差与标准差的比值，在计算出Pearson相关系数后，通常用T检验等方法对Pearson相关系数进行检验，而T检验是基于数据正态分布的假设。
B.实验数据之间的差距不应太大
例如，研究跑步速度和心跳之间的相关性。如果一个人心脏病发作，心跳为0(或者太快太慢)，那么此时我们将测量到偏离正常值的心跳。如果把这个值放入相关性分析，它的存在会对计算结果产生很大的干扰。(3)实例代码1
2
三
四
五
六
七
八
九
10
11
12
13
14
15
16
17
18
导入pandasaspd
导入numpyasnp
#原始数据
X1=pd。系列([1，2，3，4，5，6])
Y1=pd。系列([0.3，0.9，2.7，2，3.5，5])
X1 .平均值()#平均值# 3.5
Y1.mean() #2.4
X1.var() #方差#3.5
Y1.var() #2.9760000000000004
X1.std() #标准偏差不能为0 # 1.50770.000000000005
Y1.std() #标准偏差不能为0 # 1 . 20070 . 00007000005
X1.cov(Y1) #协方差# 3.30000.000000000005
>
X1.corr(Y1,method="pearson") #皮尔森相关性系数 #0.948136664010285
X1.cov(Y1)/(X1.std()*Y1.std()) #皮尔森相关性系数 # 0.948136664010285
斯皮尔曼相关性系数，通常也叫斯皮尔曼秩相关系数。“秩”，可以理解成就是一种顺序或者排序，那么它就是根据原始数据的排序位置进行求解 首先对两个变量（X, Y）的数据进行排序，然后记下排序以后的位置（X’, Y’），（X’, Y’）的值就称为秩次，秩次的差值就是上面公式中的di，n就是变量中数据的个数，最后带入公式就可求解结果。 因为是定序，所以我们不用管X和Y这两个变量具体的值到底差了多少，只需要算一下它们每个值所处的排列位置的差值，就可以求出相关性系数了
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
|
3. kendall correlation coefficient（肯德尔相关性系数）
肯德尔相关性系数，又称肯德尔秩相关系数，它也是一种秩相关系数，不过它所计算的对象是分类变量。 分类变量可以理解成有类别的变量，可以分为： (1) 无序的，比如性别（男、女）、血型（A、B、O、AB）； (2) 有序的，比如肥胖等级（重度肥胖，中度肥胖、轻度肥胖、不肥胖）。 通常需要求相关性系数的都是有序分类变量。 R=（P-(n*(n-1)/2-P))/(n*(n-1)/2)=(4P/(n*(n-1)))-1 注：设有n个统计对象，每个对象有两个属性。将所有统计对象按属性1取值排列，不失一般性，设此时属性2取值的排列是乱序的。设P为两个属性值排列大小关系一致的统计对象对数 类别数据或者可以分类的数据
|
1 2 3 4 5 6 7 |
|
到此，相信大家对“pearson, spearman与kendall的关系是什么”有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
内容来源网络，如有侵权，联系删除，本文地址：https://www.230890.com/zhan/154653.html