在數(shù)據(jù)分析中我們常常需要判斷多組數(shù)據(jù)之間的關(guān)聯(lián)程度NumPy提供了簡(jiǎn)單的函數(shù)直接計(jì)算相關(guān)系數(shù)矩陣、協(xié)方差、樣本方差。相關(guān)系數(shù)矩陣是對(duì)稱(chēng)矩陣。對(duì)角線(xiàn)上的值都是1代表變量自身的自相關(guān)非對(duì)角線(xiàn)元素就是變量之間的相關(guān)系數(shù)取值范圍在-1到1之間。數(shù)值大于0代表正相關(guān)一個(gè)變量增大另一個(gè)也跟著增大數(shù)值小于0代表負(fù)相關(guān)一個(gè)變量增大另一個(gè)減小。相關(guān)系數(shù)的絕對(duì)值越接近1兩組數(shù)據(jù)變化趨勢(shì)的相似度越高。np.corrcoef 默認(rèn)一行代表一個(gè)變量。pythonimport numpy as np# 完全負(fù)相關(guān)print(np.corrcoef([1,2,3,4], [4,3,2,1]))# 不完全負(fù)相關(guān)print(np.corrcoef([1,2,3,4], [8,3,2,1]))# 完全正相關(guān)print(np.corrcoef([1,2,3,4], [1,2,3,4]))# 弱正相關(guān)print(np.corrcoef([1,2,3,4], [1,2,3,40]))# 多個(gè)變量放入矩陣計(jì)算x np.matrix([[1,2,3], [4,5,6]])print(np.corrcoef(x))x np.matrix([[1,2,3], [4,5,6], [9,8,7]])print(np.corrcoef(x))np.cov 用來(lái)計(jì)算協(xié)方差矩陣。矩陣對(duì)角線(xiàn)上的數(shù)字是樣本方差代表一組數(shù)據(jù)的波動(dòng)大小非對(duì)角線(xiàn)元素是協(xié)方差用來(lái)衡量?jī)山M數(shù)據(jù)協(xié)同波動(dòng)的情況。注意這里是樣本方差計(jì)算時(shí)分母為樣本數(shù)量減1。pythonimport numpy as npx np.matrix([[-2,1,-1,4,3], [3,1,1,0,12]])print(np.cov(x))協(xié)方差會(huì)受數(shù)據(jù)單位影響不方便直接對(duì)比相關(guān)性強(qiáng)弱。相關(guān)系數(shù)消除了量綱范圍固定在-1到1適合用來(lái)判斷變量線(xiàn)性相關(guān)的程度。核心要點(diǎn) np.corrcoef 看變量線(xiàn)性相關(guān)強(qiáng)弱 np.cov 計(jì)算協(xié)方差和樣本方差。兩個(gè)函數(shù)默認(rèn)一行代表一個(gè)變量使用時(shí)要注意行列順序。