<\/p>\n
Jednym ze sposob\u00f3w ilo\u015bciowego okre\u015blenia zwi\u0105zku mi\u0119dzy dwiema zmiennymi jest u\u017cycie wsp\u00f3\u0142czynnika korelacji Pearsona<\/a> , kt\u00f3ry jest miar\u0105 liniowego zwi\u0105zku mi\u0119dzy dwiema zmiennymi .<\/em> Zawsze przyjmuje warto\u015b\u0107 z zakresu od -1 do 1, gdzie:<\/span><\/p>\n Im wsp\u00f3\u0142czynnik korelacji jest bardziej od zera, tym silniejszy jest zwi\u0105zek mi\u0119dzy obiema zmiennymi.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak obliczy\u0107 korelacj\u0119 mi\u0119dzy zmiennymi w Pythonie.<\/span><\/p>\n Aby obliczy\u0107 korelacj\u0119 mi\u0119dzy dwiema zmiennymi w Pythonie, mo\u017cemy u\u017cy\u0107 funkcji Numpy corrcoef()<\/strong> .<\/span><\/p>\n Mo\u017cna zauwa\u017cy\u0107, \u017ce wsp\u00f3\u0142czynnik korelacji pomi\u0119dzy tymi dwiema zmiennymi wynosi 0,335<\/strong> , co jest korelacj\u0105 dodatni\u0105.<\/span><\/p>\n Domy\u015blnie funkcja ta tworzy macierz wsp\u00f3\u0142czynnik\u00f3w korelacji. Gdyby\u015bmy chcieli tylko zwr\u00f3ci\u0107 wsp\u00f3\u0142czynnik korelacji mi\u0119dzy dwiema zmiennymi, mogliby\u015bmy zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n Aby sprawdzi\u0107, czy ta korelacja jest istotna statystycznie, mo\u017cemy obliczy\u0107 warto\u015b\u0107 p powi\u0105zan\u0105 ze wsp\u00f3\u0142czynnikiem korelacji Pearsona za pomoc\u0105 funkcji Scipy pearsonr()<\/strong> , kt\u00f3ra zwraca wsp\u00f3\u0142czynnik korelacji Pearsona, a tak\u017ce dwustronn\u0105 warto\u015b\u0107 p.<\/span><\/p>\n Wsp\u00f3\u0142czynnik korelacji wynosi 0,335<\/strong> , a dwustronna warto\u015b\u0107 p wynosi 0,017<\/strong> . Poniewa\u017c ta warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, mo\u017cna wyci\u0105gn\u0105\u0107 wniosek, \u017ce istnieje statystycznie istotna korelacja pomi\u0119dzy obiema zmiennymi.<\/span><\/p>\n Je\u015bli chcesz obliczy\u0107 korelacj\u0119 mi\u0119dzy wieloma zmiennymi w ramce danych Pandas, mo\u017cesz po prostu u\u017cy\u0107 funkcji .corr()<\/strong> .<\/span><\/p>\n A je\u015bli chcesz obliczy\u0107 tylko korelacj\u0119 mi\u0119dzy dwiema okre\u015blonymi zmiennymi w ramce DataFrame, mo\u017cesz okre\u015bli\u0107 zmienne:<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w Pythonie:<\/span><\/p>\n Jak utworzy\u0107 macierz korelacji w Pythonie<\/a> Jednym ze sposob\u00f3w ilo\u015bciowego okre\u015blenia zwi\u0105zku mi\u0119dzy dwiema zmiennymi jest u\u017cycie wsp\u00f3\u0142czynnika korelacji Pearsona , kt\u00f3ry jest miar\u0105 liniowego zwi\u0105zku mi\u0119dzy dwiema zmiennymi . Zawsze przyjmuje warto\u015b\u0107 z zakresu od -1 do 1, gdzie: -1 oznacza ca\u0142kowicie ujemn\u0105 korelacj\u0119 liniow\u0105 pomi\u0119dzy dwiema zmiennymi Warto\u015b\u0107 0 oznacza brak liniowej korelacji pomi\u0119dzy dwiema zmiennymi 1 wskazuje doskonale […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-824","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Jak obliczy\u0107 korelacj\u0119 w Pythonie<\/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
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 korelacj\u0119 rangi Spearmana w Pythonie<\/a>
Jak obliczy\u0107 autokorelacj\u0119 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"