使用 Python 显示两个变量之间的皮尔逊相关系数测试
皮尔逊相关系数测试是 Python 中的一种简单统计方法，用于测量两个参数变量之间的关系。以图形方式测量两个变量之间的关系很有用，这样您就可以知道变量之间的关系有多强以及它们是否相关。要找到皮尔逊相关系数，我们可以使用 pearsonr() 函数。
其值介于 -1 和 1 之间，-1 表示完全负相关，0 表示没有关系，1 表示完全正相关。
语法
以下所有示例均使用此语法。
pearsonr(variable1,variable2)
算法
步骤 1 - 导入模块和库。
步骤 2- 定义变量或数据集。
var1=[ ]
var2=[ ] 或
If you want to perform on csv file then
df = pd.read_csv("file_name.csv")
步骤 3 − 应用 pearsonr() 函数计算相关性检验。
步骤 4 − 现在打印结果。
方法 1:这里我们使用变量来查找相关性
示例 1
查找两个变量之间的 Pearson 相关性检验。
from scipy.stats import pearsonr
var1 = [2, 4, 6, 8] #第一个变量
var2 = [1, 3, 5, 7] #第二个变量
# 查找 Pearson 相关性
correlation,_ = pearsonr(var1, var2)
print('Pearson correlation:', correlation)
输出
Pearson correlation: 1.0
在此代码中，从"scipy.stats"导入了"pearsonr"函数。创建了两个名为 var1 和 var2 的列表。使用"pearsonr()"函数计算 var1 和 var2 之间的 Pearson 相关性。为此，"pearsonr()"函数与 var1 和 var2 一起传递。皮尔逊相关性的值存储在 correlation 中。然后，将打印皮尔逊相关性。
示例 2
查找两个变量之间的皮尔逊相关性检验。
from scipy.stats import pearsonr
var1 = [2.2, 4.6, 6.8, 7.8] #1st variable
var2 = [1.3, 3.2, 5.6, 9.7] #2nd variable
# 查找 Pearson 相关性
correlation,_ = pearsonr(var1, var2)
print('Pearson correlation:', correlation)
输出
Pearson correlation: 0.9385130127002226
在此代码中，从"scipy.stats"导入了"pearsonr"函数。这里我们创建了两个名为 var1 和 var2 的十进制列表。使用"pearsonr()"函数，计算 var1 和 var2 之间的 Pearson 相关性。为此，"pearsonr()"函数与 var1 和 var2 一起传递。皮尔逊相关性的值存储在 correlation 中。然后，将打印皮尔逊相关性。
示例 3
查找两个变量之间的皮尔逊相关性检验。
from scipy.stats import pearsonr
var1 = [-2, -5, -1, -7] #第一个变量
var2 = [-8, -3, -6, -9] #第二个变量
# 查找皮尔逊相关性
correlation,_ = pearsonr(var1, var2)
print('皮尔逊相关性:', correlation)
输出
皮尔逊相关性: 0.11437725271791938
在此代码中，从"scipy.stats"导入了"pearsonr"函数。在这里，我们创建了两个包含负元素(var1 和 var2)的列表。使用"pearsonr()"函数，计算 var1 和 var2 之间的皮尔逊相关性。为此，"pearsonr()"函数与 var1 和 var2 一起传递。皮尔逊相关性的值存储在 correlation 中。然后，将打印皮尔逊相关性。
示例 4
查找两个变量之间的皮尔逊相关性测试。
from scipy.stats import pearsonr
var1 = [-2, 5, -1, -7] #1st variable
var2 = [-4, -3, -6, 2] #2nd variable
# 查找 Pearson 相关性
correlation,_ = pearsonr(var1, var2)
print('Pearson correlation:', correlation)
输出
Pearson correlation: -0.5717997297136825
方法 2:这里我们使用数据集来查找相关性
示例 1
从给定的数据集中查找 Pearson 相关性测试。
您可以从此处下载 csv 文件 - student_data
import pandas as pd
from scipy.stats import pearsonr
#添加数据集
df = pd.read_csv("student_clustering.csv")
# 将数据框转换为系列
column1 = df['cgpa']
column2 = df['iq']
# 查找皮尔逊相关性
correlation,_ = pearsonr(column1, column2)
print('Pearson correlation:', correlation)
输出
皮尔逊相关性:0.5353007092636304 #此值表示变量之间的平均或中间关系。
在此代码中，首先我们从源路径访问数据集(student_clustering.csv)。然后我们从数据集中获取具有相同长度的数字列。现在我们应用 Pearson 相关函数并找到相关值。
示例 2
从给定的数据集中查找 Pearson 相关测试。
您可以从此处下载 csv 文件 - cardata
import pandas as pd
from scipy.stats import pearsonr
#添加数据集
df = pd.read_csv("cardata.csv")
# 将数据框转换为系列
column1 = df['Selling_Price']
column2 = df['Present_Price']
# 查找 Pearson 相关
correlation,_ = pearsonr(column1, column2)
print('Pearson 相关性:',correlation)
输出
Pearson 相关性:0.8252819190808663 #此值表示变量之间存在很强的关系，因为它接近 1。
在此代码中，首先我们从源路径访问数据集 (cardata.csv)。然后我们从数据集中获取具有相同长度的数字列。现在我们应用 Pearson 相关函数并找到相关值。
结论
总之，对于任何想要了解模式和相关性的数据工作者来说，Pearson 相关测试都是一个至关重要的工具。您可以使用 Python 和 scipy 库轻松运行此测试并了解有关两个变量之间连接的模式和值的重要细节。
相关文章
有用资源
python 参考教程 - 该教程包含有关 python 的更多信息:https://www.cainiaomax.com/python/
