<\/p>\n
Eine M\u00f6glichkeit, die Beziehung zwischen zwei Variablen zu quantifizieren, ist die Verwendung des Pearson-Korrelationskoeffizienten<\/a> , der ein Ma\u00df f\u00fcr den linearen Zusammenhang zwischen zwei Variablen ist .<\/em> Es nimmt immer einen Wert zwischen -1 und 1 an, wobei:<\/span><\/p>\n Je weiter der Korrelationskoeffizient von Null entfernt ist, desto st\u00e4rker ist die Beziehung zwischen den beiden Variablen.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie die Korrelation zwischen Variablen in Python berechnen.<\/span><\/p>\n Um die Korrelation zwischen zwei Variablen in Python zu berechnen, k\u00f6nnen wir die Funktion Numpy corrcoef()<\/strong> verwenden.<\/span><\/p>\n Es ist ersichtlich, dass der Korrelationskoeffizient zwischen diesen beiden Variablen 0,335<\/strong> betr\u00e4gt, was einer positiven Korrelation entspricht.<\/span><\/p>\n Standardm\u00e4\u00dfig erzeugt diese Funktion eine Matrix von Korrelationskoeffizienten. Wenn wir nur den Korrelationskoeffizienten zwischen den beiden Variablen zur\u00fcckgeben wollten, k\u00f6nnten wir die folgende Syntax verwenden:<\/span><\/p>\n Um zu testen, ob diese Korrelation statistisch signifikant ist, k\u00f6nnen wir den mit dem Pearson-Korrelationskoeffizienten verbundenen p-Wert mithilfe der Scipy-Funktion \u201e pearsonr()\u201c<\/strong> berechnen, die sowohl den Pearson-Korrelationskoeffizienten als auch den zweiseitigen p-Wert zur\u00fcckgibt.<\/span><\/p>\n Der Korrelationskoeffizient betr\u00e4gt 0,335<\/strong> und der zweiseitige p-Wert betr\u00e4gt 0,017<\/strong> . Da dieser p-Wert kleiner als 0,05 ist, w\u00fcrden wir daraus schlie\u00dfen, dass eine statistisch signifikante Korrelation zwischen den beiden Variablen besteht.<\/span><\/p>\n Wenn Sie die Korrelation zwischen mehreren Variablen in einem Pandas DataFrame berechnen m\u00f6chten, k\u00f6nnen Sie einfach die Funktion .corr()<\/strong> verwenden.<\/span><\/p>\n Und wenn Sie nur die Korrelation zwischen zwei bestimmten Variablen im DataFrame berechnen m\u00f6chten, k\u00f6nnen Sie die Variablen angeben:<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So erstellen Sie eine Korrelationsmatrix in Python<\/a> Eine M\u00f6glichkeit, die Beziehung zwischen zwei Variablen zu quantifizieren, ist die Verwendung des Pearson-Korrelationskoeffizienten , der ein Ma\u00df f\u00fcr den linearen Zusammenhang zwischen zwei Variablen ist . Es nimmt immer einen Wert zwischen -1 und 1 an, wobei: -1 zeigt eine vollkommen negative lineare Korrelation zwischen zwei Variablen an 0 bedeutet, dass zwischen zwei Variablen […]<\/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
So berechnen Sie die Korrelation in Python<\/span><\/strong><\/h3>\n
import<\/span> numpy as<\/span> np\n\nnp.random.seed(100)\n\n#create array of 50 random integers between 0 and 10<\/span>\nvar1 = np.random.randint(0, 10, 50)\n\n#create a positively correlated array with some random noise\n<\/span>var2 = var1 + np.random.normal(0, 10, 50)\n\n#calculate the correlation between the two arrays\n<\/span>np.corrcoef(var1, var2)\n\n[[ 1. 0.335]\n[ 0.335 1. ]]\n<\/strong><\/pre>\n np.corrcoef(var1, var2)[0,1]\n\n0.335\n<\/strong><\/pre>\n
from<\/span> scipy.stats.stats import<\/span> pearsonr\n\npearsonr(var1, var2)\n\n(0.335, 0.017398)\n<\/strong><\/pre>\n import<\/span> pandas as<\/span> pd\n\ndata = pd.DataFrame(np.random.randint(0, 10, size=(5, 3)), columns=['A', 'B', 'C'])\ndata\n\n ABC\n0 8 0 9\n1 4 0 7\n2 9 6 8\n3 1 8 1\n4 8 0 8\n\n#calculate correlation coefficients for all pairwise combinations\n<\/span>data.corr()\n\n ABC\nA 1.000000 -0.775567 -0.493769\nB -0.775567 1.000000 0.000000\nC -0.493769 0.000000 1.000000\n<\/strong><\/pre>\n data['A'].corr(data['B'])\n\n-0.775567\n<\/strong><\/pre>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie die Spearman-Rangkorrelation in Python<\/a>
So berechnen Sie die Autokorrelation in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"