<\/p>\n
Uma forma de quantificar a rela\u00e7\u00e3o entre duas vari\u00e1veis \u00e9 utilizar o coeficiente de correla\u00e7\u00e3o de Pearson<\/a> , que \u00e9 uma medida da associa\u00e7\u00e3o linear entre duas vari\u00e1veis .<\/em> Sempre assume um valor entre -1 e 1 onde:<\/span><\/p>\n Quanto mais longe o coeficiente de correla\u00e7\u00e3o estiver de zero, mais forte ser\u00e1 a rela\u00e7\u00e3o entre as duas vari\u00e1veis.<\/span><\/p>\n Este tutorial explica como calcular a correla\u00e7\u00e3o entre vari\u00e1veis em Python.<\/span><\/p>\n Para calcular a correla\u00e7\u00e3o entre duas vari\u00e1veis em Python, podemos usar a fun\u00e7\u00e3o Numpy corrcoef()<\/strong> .<\/span><\/p>\n Percebe-se que o coeficiente de correla\u00e7\u00e3o entre essas duas vari\u00e1veis \u00e9 0,335<\/strong> , o que \u00e9 uma correla\u00e7\u00e3o positiva.<\/span><\/p>\n Por padr\u00e3o, esta fun\u00e7\u00e3o produz uma matriz de coeficientes de correla\u00e7\u00e3o. Se quis\u00e9ssemos apenas retornar o coeficiente de correla\u00e7\u00e3o entre as duas vari\u00e1veis, poder\u00edamos usar a seguinte sintaxe:<\/span><\/p>\n Para testar se essa correla\u00e7\u00e3o \u00e9 estatisticamente significativa, podemos calcular o valor p associado ao coeficiente de correla\u00e7\u00e3o de Pearson usando a fun\u00e7\u00e3o Scipy pearsonr()<\/strong> , que retorna o coeficiente de correla\u00e7\u00e3o de Pearson, bem como o valor p bicaudal.<\/span><\/p>\n O coeficiente de correla\u00e7\u00e3o \u00e9 0,335<\/strong> e o valor p bicaudal \u00e9 0,017<\/strong> . Como este valor de p \u00e9 inferior a 0,05, concluir\u00edamos que existe uma correla\u00e7\u00e3o estatisticamente significativa entre as duas vari\u00e1veis.<\/span><\/p>\n Se voc\u00ea deseja calcular a correla\u00e7\u00e3o entre m\u00faltiplas vari\u00e1veis em um DataFrame do Pandas, voc\u00ea pode simplesmente usar a fun\u00e7\u00e3o .corr()<\/strong> .<\/span><\/p>\n E se quiser apenas calcular a correla\u00e7\u00e3o entre duas vari\u00e1veis espec\u00edficas no DataFrame, voc\u00ea pode especificar as vari\u00e1veis:<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em Python:<\/span><\/p>\n Como criar uma matriz de correla\u00e7\u00e3o em Python<\/a> Uma forma de quantificar a rela\u00e7\u00e3o entre duas vari\u00e1veis \u00e9 utilizar o coeficiente de correla\u00e7\u00e3o de Pearson , que \u00e9 uma medida da associa\u00e7\u00e3o linear entre duas vari\u00e1veis . Sempre assume um valor entre -1 e 1 onde: -1 indica uma correla\u00e7\u00e3o linear perfeitamente negativa entre duas vari\u00e1veis 0 indica nenhuma correla\u00e7\u00e3o linear entre duas […]<\/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-825","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Como calcular a correla\u00e7\u00e3o em 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
Recursos adicionais<\/strong><\/span><\/h3>\n
Como calcular a correla\u00e7\u00e3o de classifica\u00e7\u00e3o de Spearman em Python<\/a>
Como calcular a autocorrela\u00e7\u00e3o em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"