<\/p>\n
Salah satu cara untuk mengukur hubungan antara dua variabel adalah dengan menggunakan koefisien korelasi Pearson<\/a> , yang merupakan ukuran hubungan linier antara dua variabel .<\/em> Itu selalu mengambil nilai antara -1 dan 1 di mana:<\/span><\/p>\n Semakin jauh koefisien korelasi dari nol maka semakin kuat hubungan kedua variabel tersebut.<\/span><\/p>\n Tutorial ini menjelaskan cara menghitung korelasi antar variabel dengan Python.<\/span><\/p>\n Untuk menghitung korelasi antara dua variabel dengan Python, kita dapat menggunakan fungsi Numpy corrcoef()<\/strong> .<\/span><\/p>\n Terlihat koefisien korelasi kedua variabel tersebut sebesar 0,335<\/strong> yang merupakan korelasi positif.<\/span><\/p>\n Secara default, fungsi ini menghasilkan matriks koefisien korelasi. Jika kita hanya ingin mengembalikan koefisien korelasi antara kedua variabel, kita dapat menggunakan sintaks berikut:<\/span><\/p>\n Untuk menguji apakah korelasi ini signifikan secara statistik, kita dapat menghitung nilai p yang terkait dengan koefisien korelasi Pearson menggunakan fungsi Scipy pearsonr()<\/strong> , yang mengembalikan koefisien korelasi Pearson serta nilai p dua sisi.<\/span><\/p>\n Koefisien korelasinya adalah 0,335<\/strong> dan nilai p dua sisinya adalah 0,017<\/strong> . Karena nilai p ini kurang dari 0,05, kami menyimpulkan bahwa terdapat korelasi yang signifikan secara statistik antara kedua variabel.<\/span><\/p>\n Jika Anda ingin menghitung korelasi antara beberapa variabel dalam Pandas DataFrame, Anda cukup menggunakan fungsi .corr()<\/strong> .<\/span><\/p>\n Dan jika Anda hanya ingin menghitung korelasi antara dua variabel tertentu di DataFrame, Anda dapat menentukan variabelnya:<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n Cara Membuat Matriks Korelasi dengan Python<\/a> Salah satu cara untuk mengukur hubungan antara dua variabel adalah dengan menggunakan koefisien korelasi Pearson , yang merupakan ukuran hubungan linier antara dua variabel . Itu selalu mengambil nilai antara -1 dan 1 di mana: -1 menunjukkan korelasi linier negatif sempurna antara dua variabel 0 menunjukkan tidak ada korelasi linier antara dua variabel Angka 1 […]<\/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
Cara menghitung korelasi dengan 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
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Menghitung Korelasi Peringkat Spearman dengan Python<\/a>
Cara Menghitung Autokorelasi dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"