<\/p>\n
Un modo per quantificare la relazione tra due variabili \u00e8 utilizzare il coefficiente di correlazione di Pearson<\/a> , che \u00e8 una misura dell’associazione lineare tra due variabili .<\/em> Assume sempre un valore compreso tra -1 e 1 dove:<\/span><\/p>\n Quanto pi\u00f9 il coefficiente di correlazione si allontana da zero, tanto pi\u00f9 forte \u00e8 la relazione tra le due variabili.<\/span><\/p>\n Questo tutorial spiega come calcolare la correlazione tra le variabili in Python.<\/span><\/p>\n Per calcolare la correlazione tra due variabili in Python, possiamo usare la funzione Numpy corrcoef()<\/strong> .<\/span><\/p>\n Si pu\u00f2 vedere che il coefficiente di correlazione tra queste due variabili \u00e8 0,335<\/strong> , che \u00e8 una correlazione positiva.<\/span><\/p>\n Per impostazione predefinita, questa funzione produce una matrice di coefficienti di correlazione. Se volessimo restituire solo il coefficiente di correlazione tra le due variabili, potremmo utilizzare la seguente sintassi:<\/span><\/p>\n Per verificare se questa correlazione \u00e8 statisticamente significativa, possiamo calcolare il valore p associato al coefficiente di correlazione di Pearson utilizzando la funzione Scipy Pearsonr()<\/strong> , che restituisce il coefficiente di correlazione di Pearson e il valore p a due code.<\/span><\/p>\n Il coefficiente di correlazione \u00e8 0,335<\/strong> e il valore p a due code \u00e8 0,017<\/strong> . Poich\u00e9 questo valore p \u00e8 inferiore a 0,05, concluderemmo che esiste una correlazione statisticamente significativa tra le due variabili.<\/span><\/p>\n Se vuoi calcolare la correlazione tra pi\u00f9 variabili in un Pandas DataFrame, puoi semplicemente utilizzare la funzione .corr()<\/strong> .<\/span><\/p>\n E se vuoi solo calcolare la correlazione tra due variabili specifiche nel DataFrame, puoi specificare le variabili:<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come creare una matrice di correlazione in Python<\/a> Un modo per quantificare la relazione tra due variabili \u00e8 utilizzare il coefficiente di correlazione di Pearson , che \u00e8 una misura dell’associazione lineare tra due variabili . Assume sempre un valore compreso tra -1 e 1 dove: -1 indica una correlazione lineare perfettamente negativa tra due variabili 0 indica alcuna correlazione lineare tra due […]<\/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
Come calcolare la correlazione 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
Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare la correlazione del rango di Spearman in Python<\/a>
Come calcolare l’autocorrelazione in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"