<\/p>\n
Der Korrelationskoeffizient nach Pearson<\/a> kann verwendet werden, um den linearen Zusammenhang zwischen zwei Variablen zu messen.<\/span><\/p>\n Dieser Korrelationskoeffizient nimmt immer einen Wert zwischen -1<\/strong> und 1<\/strong> an, wobei:<\/span><\/p>\n Um festzustellen, ob ein Korrelationskoeffizient statistisch signifikant ist, k\u00f6nnen Sie den entsprechenden t-Score und p-Wert berechnen.<\/span><\/p>\n Die Formel zur Berechnung des t-Scores eines Korrelationskoeffizienten (r) lautet:<\/span><\/p>\n t = r\u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n Der p-Wert wird als entsprechender zweiseitiger p-Wert f\u00fcr die t-Verteilung mit n-2 Freiheitsgraden berechnet.<\/span><\/p>\n Um den p-Wert eines Pearson-Korrelationskoeffizienten in Pandas zu berechnen, k\u00f6nnen Sie die Funktion \u201epearsonr()\u201c<\/strong> aus der SciPy-<\/strong> Bibliothek verwenden:<\/span><\/p>\n Diese Funktion gibt den Pearson-Korrelationskoeffizienten zwischen den Spalten Spalte1<\/strong> und Spalte2<\/strong> zusammen mit dem entsprechenden p-Wert zur\u00fcck, der uns sagt, ob der Korrelationskoeffizient statistisch signifikant ist oder nicht.<\/span><\/p>\n Wenn Sie den p-Wert f\u00fcr den Pearson-Korrelationskoeffizienten jeder m\u00f6glichen paarweisen Kombination von Spalten in einem DataFrame berechnen m\u00f6chten, k\u00f6nnen Sie dazu die folgende benutzerdefinierte Funktion verwenden:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie man p-Werte f\u00fcr Korrelationskoeffizienten in der Praxis mit dem folgenden Pandas DataFrame berechnet:<\/span><\/p>\n Der folgende Code zeigt, wie der Pearson-Korrelationskoeffizient und der entsprechende p-Wert f\u00fcr die x-<\/strong> und y-<\/strong> Spalten des DataFrame berechnet werden:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n Da der Korrelationskoeffizient positiv ist, deutet dies darauf hin, dass zwischen den beiden Variablen eine positive lineare Beziehung besteht.<\/span><\/p>\n Da der p-Wert des Korrelationskoeffizienten jedoch nicht weniger als 0,05 betr\u00e4gt, ist die Korrelation statistisch nicht signifikant.<\/span><\/p>\n Beachten Sie, dass wir auch die folgende Syntax verwenden k\u00f6nnen, um den p-Wert aus dem Korrelationskoeffizienten zu extrahieren:<\/span><\/p>\n Der p-Wert f\u00fcr den Korrelationskoeffizienten betr\u00e4gt 0,2296<\/strong> .<\/span><\/p>\n Dies entspricht dem p-Wert der vorherigen Ausgabe.<\/span><\/p>\n Der folgende Code zeigt, wie der Pearson-Korrelationskoeffizient und der entsprechende p-Wert f\u00fcr jede paarweise Kombination von Spalten im Pandas DataFrame berechnet werden:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n Beachten Sie, dass wir die p-Werte in unserer benutzerdefinierten Funktion auf vier Dezimalstellen gerundet haben.<\/span><\/p>\n Sie k\u00f6nnen die 4<\/strong> in der letzten Zeile der Funktion gerne durch eine andere Zahl ersetzen, um auf eine andere Anzahl von Dezimalstellen zu runden.<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation f\u00fcr die SciPy- Pearsonr()<\/strong> -Funktion finden Sie hier<\/a> .<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Panda-Aufgaben ausf\u00fchren:<\/span><\/p>\n So berechnen Sie die Korrelation nach Gruppen in Pandas<\/a> Der Korrelationskoeffizient nach Pearson kann verwendet werden, um den linearen Zusammenhang zwischen zwei Variablen zu messen. Dieser Korrelationskoeffizient nimmt immer einen Wert zwischen -1 und 1 an, wobei: -1 : Perfekt negative lineare Korrelation zwischen zwei Variablen. 0 : Keine lineare Korrelation zwischen zwei Variablen. 1: Perfekt positive lineare Korrelation zwischen zwei Variablen. Um festzustellen, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
from<\/span> scipy. stats<\/span> import<\/span> pearsonr\n\npearsonr(df[' column1<\/span> '], df[' column2<\/span> '])\n<\/strong><\/pre>\n def<\/span> r_pvalues(df):\n cols = pd. DataFrame<\/span> (columns= df.columns<\/span> )\n p = cols. transpose<\/span> (). join<\/span> (cols, how=' outer<\/span> ')\n for<\/span> r in<\/span> df. columns<\/span> :\n for<\/span> c in<\/span> df. columns<\/span> :\n tmp = df[df[r]. notnull<\/span> () & df[c]. notnull<\/span> ()]\n p[r][c] = round(pearsonr(tmp[r], tmp[c])[1], 4)\n return<\/span> p\n<\/strong><\/span><\/pre>\n import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [4, 5, 5, 7, 8, 10, 12, 13, 14, 15],\n ' y<\/span> ': [10, 12, 14, 18, np.nan, 19, 13, 20, 14, np.nan],\n ' z<\/span> ': [20, 24, 24, 23, 19, 15, 18, 14, 10, 12]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n X Y Z\n0 4 10.0 20\n1 5 12.0 24\n2 5 14.0 24\n3 7 18.0 23\n4 8 NaN 19\n5 10 19.0 15\n6 12 13.0 18\n7 13 20.0 14\n8 14 14.0 10\n9 15 NaN 12\n<\/strong><\/span><\/pre>\n Beispiel 1: Berechnen Sie den P-Wert f\u00fcr den Korrelationskoeffizienten zwischen zwei Spalten in Pandas<\/strong><\/span><\/h2>\n
from<\/span> scipy. stats<\/span> import<\/span> pearsonr\n\n#drop all rows with NaN values\n<\/span>df_new = df. dropna<\/span> ()\n\n#calculation correlation coefficient and p-value between x and y\n<\/span>pearsonr(df_new[' x<\/span> '], df_new[' y<\/span> '])\n\nPearsonRResult(statistic=0.4791621985883838, pvalue=0.22961622926360523)\n<\/strong><\/span><\/pre>\n\n
#extract p-value of correlation coefficient\n<\/span>pearsonr(df_new[' x<\/span> '], df_new[' y<\/span> '])[1]\n\n0.22961622926360523\n<\/strong><\/span><\/pre>\n Beispiel 2: Berechnen Sie den P-Wert f\u00fcr den Korrelationskoeffizienten zwischen allen Spalten in Pandas<\/strong><\/span><\/h2>\n
#create function to calculate p-values for each pairwise correlation coefficient<\/span>\ndef<\/span> r_pvalues(df):\n cols = pd. DataFrame<\/span> (columns= df.columns<\/span> )\n p = cols. transpose<\/span> (). join<\/span> (cols, how=' outer<\/span> ')\n for<\/span> r in<\/span> df. columns<\/span> :\n for<\/span> c in<\/span> df. columns<\/span> :\n tmp = df[df[r]. notnull<\/span> () & df[c]. notnull<\/span> ()]\n p[r][c] = round(pearsonr(tmp[r], tmp[c])[1], 4)\n return<\/span> p\n\n#use custom function to calculate p-values\n<\/span>r_pvalues(df)\n\n X Y Z\nx 0.0 0.2296 0.0005\ny 0.2296 0.0 0.4238\nz 0.0005 0.4238 0.0<\/strong><\/span><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So berechnen Sie die gleitende Korrelation bei Pandas<\/a>
So berechnen Sie die Spearman-Rangkorrelation bei Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"