NumPy相关函数

本教程演示了Python中NumPy库的相关函数np.corrcoef() 函数。

NumPy中的相关关系

相关系数是一个编号的数值，表示数据集中给定特征之间的关系。

相关性可以是正的，意味着它们有直接的关系，一个特征的增加会导致另一个特征的增加。负相关也是可能的，表明两个特征之间有反向关系，意味着一个特征的上升会导致另一个特征的下降。

以下是一些不同的相关关系。

• 皮尔逊相关
• Kendall’s 相关性
• 斯皮尔曼相关

然而，NumPy库函数np.corrcoef() 只关注并计算皮尔逊相关值。其他的相关关系可以使用SciPy库提供的直接函数来找到。

本教程只关注np.coefcorr() 函数和它的实现。

使用np.corrcoef() 函数在 Python 中实现相关关系

来自NumPy 库的np.corrcoef() 函数被用来获取任意两个数组之间的皮尔逊相关系数矩阵，前提是这两个数组的形状相同。这个函数通常返回一个二维数组，其中描述了相关系数。

在Python代码中导入NumPy库来实现这个函数，不会遇到任何错误。

示例代码：

import numpy as np
a=np.arange(20,30)
b=np.array([8,12,29,33,60,48,21,44,78,96])
x=np.corrcoef(a,b)
print(x)

输出：

[[1.          0.82449488]
 [0.82449488  1.        ]]

输出矩阵的主对角线总是所有的值都是一。在我们的例子中，左上角的元素的值是1，因为它返回x与x的相关系数，右下角的元素返回y与y的相关系数。

需要从给定的输出矩阵中考虑的主要数值是其他两个数值。对于我们的情况来说，这个值得出的是近似的0.82 。此外，这两个元素总是持有相同的值。

用Matplotlib库制作相关图的相关性

NumPy库也可以和Matplotlib库一起使用，使用户可以将相关图作为输出。下面的代码使用相关函数corrcoef() 和Matplotlib库来制作相关图。

示例代码：

import numpy as np
x=np.arange(20,30)
y=np.array([8,12,29,33,60,48,21,44,78,96])
print(np.corrcoef(x,y))
import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline
matplotlib.style.use('ggplot')
plt.scatter(x, y)
plt.show()

输出：

上面的图决定了一个正相关，因为该图似乎有一个普遍的上升轨迹。这种类型的图形对于给定数组中更多的元素数量来说效果更好。

火焰兔

海报 链接