Python中相關(guān)分析correlation analysis怎么實現(xiàn)

這篇文章給大家分享的是有關(guān)Python中相關(guān)分析correlation analysis怎么實現(xiàn)的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

相關(guān)分析（correlation analysis）

研究兩個或兩個以上隨機變量之間相互依存關(guān)系的方向和密切程度的方法。
線性相關(guān)關(guān)系主要采用皮爾遜（Pearson）相關(guān)系數(shù)r來度量連續(xù)變量之間線性相關(guān)強度；
r>0,線性正相關(guān)；r<0,線性負(fù)相關(guān)；
r=0,兩個變量之間不存在線性關(guān)系，并不代表兩個變量之間不存在任何關(guān)系。

相關(guān)分析函數(shù)
DataFrame.corr()
Series.corr(other)

函數(shù)說明：
如果由數(shù)據(jù)框調(diào)用corr函數(shù)，那么將會計算每個列兩兩之間的相似度
如果由序列調(diào)用corr方法，那么只是該序列與傳入的序列之間的相關(guān)度

返回值：
DataFrame調(diào)用；返回DataFrame

Series調(diào)用：返回一個數(shù)值型，大小為相關(guān)度

import numpy
import pandas
 
data = pandas.read_csv(
  'C:/Users/ZL/Desktop/Python/5.4/data.csv'
)
 
bins = [
  min(data.年齡)-1, 20, 30, 40, max(data.年齡)+1
]
labels = [
  '20歲以及以下', '21歲到30歲', '31歲到40歲', '41歲以上'
]
 
data['年齡分層'] = pandas.cut(
  data.年齡, 
  bins, 
  labels=labels
)
 
ptResult = data.pivot_table(
  values=['年齡'], 
  index=['年齡分層'], 
  columns=['性別'], 
  aggfunc=[numpy.size]
 File "<ipython-input-1-ae921a24967f>", line 25
  aggfunc=[numpy.size]
            ^
SyntaxError: unexpected EOF while parsing
 
 
import numpy
import pandas
 
data = pandas.read_csv(
  'C:/Users/ZL/Desktop/Python/5.4/data.csv'
)
 
bins = [
  min(data.年齡)-1, 20, 30, 40, max(data.年齡)+1
]
labels = [
  '20歲以及以下', '21歲到30歲', '31歲到40歲', '41歲以上'
]
 
data['年齡分層'] = pandas.cut(
  data.年齡, 
  bins, 
  labels=labels
)
 
ptResult = data.pivot_table(
  values=['年齡'], 
  index=['年齡分層'], 
  columns=['性別'], 
  aggfunc=[numpy.size]
)
 
ptResult
Out[4]: 
     size    
      年齡    
性別     女   男
年齡分層        
20歲以及以下  111  1950
21歲到30歲 2903 43955
31歲到40歲  735  7994
41歲以上   567  886

感謝各位的閱讀！關(guān)于“Python中相關(guān)分析correlation analysis怎么實現(xiàn)”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！