使用Python进行数据分析——相关性分析

前几章节我们所介绍的Numpy以及Pandas模块都让Python具有了很强的数据分析功能，可以轻松应对一些实战中的的各种数据分析问题，从本次课程开始主要讲解如何使用 python来完成几类基础的数据分析，如相关性分析、假设检验、方差分析、描述性统计分析、线性回归分析等；

相关性分析

---

---

相关性分析是指对多个可能具备相关关系的变量进行分析，从而衡量变量之间的相关性程度或密切程度，提到相关性分析就不得不提到三大常见的相关系数：

• Pearson相关系数、 Kendall相关系数和Spearman相关系数，这三大相关系数中，前两种统称为秩相关系数，为统计相关程度的指标，以下为三种相关系数的计算公式：

1.Pearson相关系数

---

其中COV(X,Y)是变量X和变量Y的协方差，D(X)、D(Y)分别是变量X和变量Y的方差， 和 分别是变量X和变量Y的标准差。

2. Kendall相关系数

---

c表示种拥有一致性的的元素（两个元素为一对），d表示XY中拥有不一致的元素对数，n为这个元素个数。

3，Spearman相关系数

---

以上就是这三大相关系数公式，接下来，让我们进行相关性分析：

• Pearson相关性分析，演示代码如下：

import numpy as qq
import pandas as qw
import matplotlib.pyplot  as mqt
import seaborn as sea
#导入数据
data=qw.read_excel('D:/shujufenxi/hotmap.xlsx')
# print(data)
#皮尔森相关系数
pearson=data.corr(method="pearson")
# print(pearson)
# data.corr(method="pearson")
#绘制热力图
sea.heatmap(pearson)
mqt.show()

---

---

• Kendall相关系数，演示代码如下：

提示：初次进行分析的友友们记得下载'scipy'模块，否则代码会报错，无法进行分析

import numpy as qq
import pandas as qw
import matplotlib.pyplot  as mqt
import seaborn as sea
#导入数据
data=qw.read_excel('D:/shujufenxi/hotmap.xlsx')
# print(data)
#kendall相关系数
kendall=data.corr(method="kendall")
# print(pearson)
# data.corr(method="pearson")
#绘制热力图
sea.heatmap(kendall)
mqt.show()

---

---

3. Spearman相关系数,演示代码如下：

import numpy as qq
import pandas as qw
import matplotlib.pyplot  as mqt
import seaborn as sea
#导入数据
data=qw.read_excel('D:/shujufenxi/hotmap.xlsx')
# print(data)
#spearman相关系数
spearman=data.corr(method="spearman")
# print(pearson)
# data.corr(method="pearson")
#绘制热力图
sea.heatmap(spearman)
mqt.show()

---

---

好啦，今天的分享到此结束，时间匆忙，对于一些参数没能学习到位，以至于不是很美观，如果您对我的教程感兴趣，动下发财的小手，点个关注加分享吧！！！

详细内容请搜索微信公众号：作物表型记录本 私人微信：saxn2022