<\/p>\n
\u0130ki de\u011fi\u015fken aras\u0131ndaki ili\u015fkiyi \u00f6l\u00e7menin bir yolu, iki de\u011fi\u015fken aras\u0131ndaki do\u011frusal ili\u015fkinin bir \u00f6l\u00e7\u00fcs\u00fc olan Pearson korelasyon katsay\u0131s\u0131n\u0131<\/a> kullanmakt\u0131r .<\/em> Her zaman -1 ile 1 aras\u0131nda bir de\u011fer al\u0131r; burada:<\/span><\/p>\n Korelasyon katsay\u0131s\u0131 s\u0131f\u0131rdan ne kadar uzaksa, iki de\u011fi\u015fken aras\u0131ndaki ili\u015fki o kadar g\u00fc\u00e7l\u00fcd\u00fcr.<\/span><\/p>\n Bu e\u011fitimde Python’da de\u011fi\u015fkenler aras\u0131ndaki korelasyonun nas\u0131l hesaplanaca\u011f\u0131 a\u00e7\u0131klanmaktad\u0131r.<\/span><\/p>\n Python’da iki de\u011fi\u015fken aras\u0131ndaki korelasyonu hesaplamak i\u00e7in Numpy corrcoef()<\/strong> fonksiyonunu kullanabiliriz.<\/span><\/p>\n Bu iki de\u011fi\u015fken aras\u0131ndaki korelasyon katsay\u0131s\u0131n\u0131n 0,335<\/strong> oldu\u011fu ve bunun pozitif bir korelasyon oldu\u011fu g\u00f6r\u00fclmektedir.<\/span><\/p>\n Varsay\u0131lan olarak, bu i\u015flev bir korelasyon katsay\u0131lar\u0131 matrisi \u00fcretir. Yaln\u0131zca iki de\u011fi\u015fken aras\u0131ndaki korelasyon katsay\u0131s\u0131n\u0131 d\u00f6nd\u00fcrmek isteseydik a\u015fa\u011f\u0131daki s\u00f6zdizimini kullanabilirdik:<\/span><\/p>\n Bu korelasyonun istatistiksel olarak anlaml\u0131 olup olmad\u0131\u011f\u0131n\u0131 test etmek i\u00e7in, Pearson korelasyon katsay\u0131s\u0131n\u0131n yan\u0131 s\u0131ra iki kuyruklu p de\u011ferini de d\u00f6nd\u00fcren Scipy pearsonr()<\/strong> fonksiyonunu kullanarak Pearson korelasyon katsay\u0131s\u0131yla ili\u015fkili p de\u011ferini hesaplayabiliriz.<\/span><\/p>\n Korelasyon katsay\u0131s\u0131 0,335<\/strong> ve iki kuyruklu p de\u011feri 0,017’dir<\/strong> . Bu p de\u011feri 0,05’ten k\u00fc\u00e7\u00fck oldu\u011fundan, iki de\u011fi\u015fken aras\u0131nda istatistiksel olarak anlaml\u0131 bir korelasyon oldu\u011fu sonucuna varabiliriz.<\/span><\/p>\n Pandas DataFrame’de birden fazla de\u011fi\u015fken aras\u0131ndaki korelasyonu hesaplamak istiyorsan\u0131z .corr()<\/strong> i\u015flevini kullanabilirsiniz.<\/span><\/p>\n DataFrame’de yaln\u0131zca iki belirli de\u011fi\u015fken aras\u0131ndaki korelasyonu hesaplamak istiyorsan\u0131z de\u011fi\u015fkenleri belirtebilirsiniz:<\/span><\/p>\n A\u015fa\u011f\u0131daki e\u011fitimlerde Python’da di\u011fer genel g\u00f6revlerin nas\u0131l ger\u00e7ekle\u015ftirilece\u011fi a\u00e7\u0131klanmaktad\u0131r:<\/span><\/p>\n Python’da Korelasyon Matrisi Nas\u0131l Olu\u015fturulur<\/a> \u0130ki de\u011fi\u015fken aras\u0131ndaki ili\u015fkiyi \u00f6l\u00e7menin bir yolu, iki de\u011fi\u015fken aras\u0131ndaki do\u011frusal ili\u015fkinin bir \u00f6l\u00e7\u00fcs\u00fc olan Pearson korelasyon katsay\u0131s\u0131n\u0131 kullanmakt\u0131r . Her zaman -1 ile 1 aras\u0131nda bir de\u011fer al\u0131r; burada: -1, iki de\u011fi\u015fken aras\u0131nda tamamen negatif bir do\u011frusal korelasyonu g\u00f6sterir 0, iki de\u011fi\u015fken aras\u0131nda do\u011frusal bir korelasyon olmad\u0131\u011f\u0131n\u0131 g\u00f6sterir 1, iki de\u011fi\u015fken aras\u0131nda m\u00fckemmel pozitif […]<\/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-827","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n\n
Python’da korelasyon nas\u0131l hesaplan\u0131r<\/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
Ek kaynaklar<\/strong><\/span><\/h3>\n
Python’da Spearman S\u0131ra Korelasyonu Nas\u0131l Hesaplan\u0131r?<\/a>
Python’da Otokorelasyon Nas\u0131l Hesaplan\u0131r?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"