<\/p>\n
Il coefficiente di correlazione di Pearson<\/a> pu\u00f2 essere utilizzato per misurare l’associazione lineare tra due variabili.<\/span><\/p>\n Questo coefficiente di correlazione assume sempre un valore compreso tra -1<\/strong> e 1<\/strong> dove:<\/span><\/p>\n Per determinare se un coefficiente di correlazione \u00e8 statisticamente significativo, \u00e8 possibile calcolare il punteggio t e il valore p corrispondenti.<\/span><\/p>\n La formula per calcolare il t-score di un coefficiente di correlazione (r) \u00e8:<\/span><\/p>\n t = r\u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n Il valore p viene calcolato come il corrispondente valore p a due code per la distribuzione t con n-2 gradi di libert\u00e0.<\/span><\/p>\n Per calcolare il valore p di un coefficiente di correlazione di Pearson nei panda, puoi utilizzare la funzione Pearsonr()<\/strong> dalla libreria SciPy<\/strong> :<\/span><\/p>\n Questa funzione restituir\u00e0 il coefficiente di correlazione di Pearson tra le colonne colonna1<\/strong> e colonna2<\/strong> insieme al corrispondente valore p che ci dice se il coefficiente di correlazione \u00e8 statisticamente significativo o meno.<\/span><\/p>\n Se desideri calcolare il valore p per il coefficiente di correlazione Pearson di ogni possibile combinazione di colonne a coppie in un DataFrame, puoi utilizzare la seguente funzione personalizzata per farlo:<\/span><\/p>\n I seguenti esempi mostrano come calcolare i valori p per i coefficienti di correlazione in pratica con i seguenti DataFrame panda:<\/span><\/p>\n Il codice seguente mostra come calcolare il coefficiente di correlazione Pearson e il corrispondente valore p per le colonne xey<\/strong> del<\/strong> DataFrame:<\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/p>\n Poich\u00e9 il coefficiente di correlazione \u00e8 positivo, ci\u00f2 indica che esiste una relazione lineare positiva tra le due variabili.<\/span><\/p>\n Tuttavia, poich\u00e9 il valore p del coefficiente di correlazione non \u00e8 inferiore a 0,05, la correlazione non \u00e8 statisticamente significativa.<\/span><\/p>\n Si noti che possiamo anche utilizzare la seguente sintassi per estrarre il valore p dal coefficiente di correlazione:<\/span><\/p>\n Il valore p per il coefficiente di correlazione \u00e8 0,2296<\/strong> .<\/span><\/p>\n Questo corrisponde al valore p dell’output precedente.<\/span><\/p>\n Il codice seguente mostra come calcolare il coefficiente di correlazione di Pearson e il corrispondente valore p per ciascuna combinazione di colonne a coppie nel DataFrame panda:<\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/p>\n Tieni presente che abbiamo arrotondato i valori p a quattro cifre decimali nella nostra funzione personalizzata.<\/span><\/p>\n Sentiti libero di sostituire il 4<\/strong> nell’ultima riga della funzione con un numero diverso da arrotondare a un numero diverso di cifre decimali.<\/span><\/p>\n Nota<\/strong> : puoi trovare la documentazione completa per la funzione SciPy Pearsonr()<\/strong> qui<\/a> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni dei panda:<\/span><\/p>\n Come calcolare la correlazione per gruppo in Pandas<\/a> Il coefficiente di correlazione di Pearson pu\u00f2 essere utilizzato per misurare l’associazione lineare tra due variabili. Questo coefficiente di correlazione assume sempre un valore compreso tra -1 e 1 dove: -1 : correlazione lineare perfettamente negativa tra due variabili. 0 : Nessuna correlazione lineare tra due variabili. 1: Correlazione lineare perfettamente positiva tra due variabili. […]<\/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 Esempio 1: calcolare il valore P per il coefficiente di correlazione tra due colonne in Panda<\/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 Esempio 2: calcolare il valore P per il coefficiente di correlazione tra tutte le colonne 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
Risorse addizionali<\/strong><\/span><\/h2>\n
Come calcolare la correlazione mobile nei panda<\/a>
Come calcolare la correlazione del rango di Spearman nei panda<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"