<\/p>\n
E\u00e9n manier om de relatie tussen twee variabelen te kwantificeren is door dePearson-correlatieco\u00ebffici\u00ebnt<\/a> te gebruiken, een maatstaf voor de lineaire associatie tussen twee variabelen .<\/em> Er is altijd een waarde tussen -1 en 1 nodig, waarbij:<\/span><\/p>\n Hoe verder de correlatieco\u00ebffici\u00ebnt van nul verwijderd is, hoe sterker de relatie tussen de twee variabelen.<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u de correlatie tussen variabelen in Python kunt berekenen.<\/span><\/p>\n Om de correlatie tussen twee variabelen in Python te berekenen, kunnen we de functie Numpy corrcoef()<\/strong> gebruiken.<\/span><\/p>\n Het is duidelijk dat de correlatieco\u00ebffici\u00ebnt tussen deze twee variabelen 0,335<\/strong> is, wat een positieve correlatie is.<\/span><\/p>\n Standaard produceert deze functie een matrix van correlatieco\u00ebffici\u00ebnten. Als we alleen de correlatieco\u00ebffici\u00ebnt tussen de twee variabelen wilden retourneren, zouden we de volgende syntaxis kunnen gebruiken:<\/span><\/p>\n Om te testen of deze correlatie statistisch significant is, kunnen we de p-waarde berekenen die is gekoppeld aan de Pearson-correlatieco\u00ebffici\u00ebnt met behulp van de Scipy- peasonr()-<\/strong> functie, die zowel de Pearson-correlatieco\u00ebffici\u00ebnt als de tweezijdige p-waarde retourneert.<\/span><\/p>\n De correlatieco\u00ebffici\u00ebnt is 0,335<\/strong> en de tweezijdige p-waarde is 0,017<\/strong> . Omdat deze p-waarde kleiner is dan 0,05, kunnen we concluderen dat er een statistisch significante correlatie bestaat tussen de twee variabelen.<\/span><\/p>\n Als u de correlatie tussen meerdere variabelen in een Pandas DataFrame wilt berekenen, kunt u eenvoudig de functie .corr()<\/strong> gebruiken.<\/span><\/p>\n En als u alleen de correlatie tussen twee specifieke variabelen in het DataFrame wilt berekenen, kunt u de variabelen opgeven:<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in Python kunt uitvoeren:<\/span><\/p>\n Hoe u een correlatiematrix in Python maakt<\/a> E\u00e9n manier om de relatie tussen twee variabelen te kwantificeren is door dePearson-correlatieco\u00ebffici\u00ebnt te gebruiken, een maatstaf voor de lineaire associatie tussen twee variabelen . Er is altijd een waarde tussen -1 en 1 nodig, waarbij: -1 geeft een perfect negatieve lineaire correlatie aan tussen twee variabelen 0 geeft aan dat er geen lineaire correlatie […]<\/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":[],"class_list":["post-826","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Hoe de correlatie in Python te berekenen<\/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
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de Spearman Rank-correlatie in Python te berekenen<\/a>
Hoe autocorrelatie in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"