kendall和spearman相关系数的关系(pearson spearman kendall)

技术pearson, spearman与kendall的关系是什么本篇内容主要讲解“pearson, spearman与kendall的关系是什么”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让

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

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

import pandas as pd

import numpy as np

  

#原始数据

X1=pd.Series([1, 2, 3, 4, 5, 6])

Y1=pd.Series([0.3, 0.9, 2.7, 2, 3.5, 5])

  

#处理数据删除Nan

x1=X1.dropna()

y1=Y1.dropna()

n=x1.count()

x1.index=np.arange(n)

y1.index=np.arange(n)

  

#分部计算

d=(x1.sort_values().index-y1.sort_values().index)**2

dd=d.to_series().sum()

  

p=1-n*dd/(n*(n**2-1))

  

#s.corr()函数计算

r=x1.corr(y1,method='spearman')

print(r,p) #0.942857142857143 0.9428571428571428

  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

import pandas as pd

import numpy as np

  

#原始数据

x= pd.Series([3,1,2,2,1,3])

y= pd.Series([1,2,3,2,1,1])

r = x.corr(y,method="kendall") #-0.2611165

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

(0)

相关推荐

  • 朋友圈一条线,微信朋友圈一道横杠是什么意思

    技术朋友圈一条线,微信朋友圈一道横杠是什么意思1、这种情况可能有三种原因朋友圈一条线: 1)是对方设置了“不让他(她)看我的朋友圈”权限导致的。 2)可能是被对方删除了好友,并且关闭了“允许陌生人查看十张照片”的开关。

    生活 2021年10月30日
  • 香港轻量云服务器拥有哪些功能

    技术香港轻量云服务器拥有哪些功能了解轻量云服务器的来龙去脉将使您更容易确定正确的服务类型。下面是我们总结的一些轻量云服务器的功能和用途。1.超高流量网站 如果您管理一个流量超高的网站,轻量云服务器是适合您网站的服务。如果

    礼包 2021年12月9日
  • es6.4.2api

    技术es6.4.2api es6.4.2api这是讲数据库的数据导入到es里 所有用到了mysql!
    1.依赖xml version="1.0" encoding="UTF-8"
    project xml

    礼包 2021年12月15日
  • Java并发编程相关概念及注意事项是什么

    技术Java并发编程相关概念及注意事项是什么Java并发编程相关概念及注意事项是什么,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。相应的概念

    攻略 2021年10月23日
  • linux系统定时执行shell脚本

    技术linux系统定时执行shell脚本 linux系统定时执行shell脚本我们可能会经常需要在linux系统中做一些重复而又繁琐的操作,为了解放自己,我们需要将这些东西写到定时任务里面,让它每天执行

    礼包 2021年11月23日
  • 唐僧性格,唐僧的人物性格,300字

    技术唐僧性格,唐僧的人物性格,300字唐 僧唐僧性格:俗家姓陈,乳名江流,法名玄奘,唐朝第一高僧,所以被人们称为唐僧。西行取经时,唐朝太宗皇帝李世民赐法名三藏。唐僧十八岁出家皈依佛门,经常青灯夜读,对佛家经典研修不断,而

    生活 2021年10月26日