c++计算两个vector的相关性

在C++中计算两个向量的相关性可以使用相关数来衡量，常用的相关系数有皮尔逊相关系数和斯皮尔曼相关系数。

1. 皮尔逊相关系数（Pearson correlation coefficient）衡量的是两个变量之间的线性相关性。它的取值范围在-1到1之间，其中-1表示完全负相关，1表示完全正相关，0表示无相关性。计算公式如下：

2. 斯皮尔曼相关系数（Spearman's rank correlation coefficient）衡量的是两个变量之间的单调关系，不要求变量之间是线性关系。它的取值范围也在-1到1之间，计算公式如下：

你可以使用C++中的统计库（如Boost库或Eigen库）来计算这些相关系数。具体实现步骤如下：
1. 导入相关的库。
2. 定义两个向量，并填充数据。
3. 使用相关系数的计算函数，传入两个向量，得到相关系数的值。

相关问题

关联分析——Spearman C++代码

Spearman 相关系数是一种用于衡量两个变量之间的相关性的非参数方法，它基于两个变量的秩次。

下面是使用 C++ 实现的 Spearman 相关系数计算代码：

#include <iostream>
#include <vector>
#include <algorithm>
#include <cmath>

using namespace std;

double spearmanRank(vector<double> x, vector<double> y)
{
    int n = x.size();

    // 计算秩次
    vector<int> rankX(n), rankY(n);
    for (int i = 0; i < n; i++) {
        int r = 1;
        for (int j = 0; j < n; j++) {
            if (j != i && x[j] < x[i]) {
                r++;
            }
        }
        rankX[i] = r;
    }
    for (int i = 0; i < n; i++) {
        int r = 1;
        for (int j = 0; j < n; j++) {
            if (j != i && y[j] < y[i]) {
                r++;
            }
        }
        rankY[i] = r;
    }

    // 计算差异平方和
    double d2 = 0;
    for (int i = 0; i < n; i++) {
        double d = rankX[i] - rankY[i];
        d2 += d * d;
    }

    // 计算 Spearman 相关系数
    double rs = 1 - (6 * d2) / (n * (n * n - 1));

    return rs;
}

int main()
{
    vector<double> x = { 20, 10, 30, 50, 40 };
    vector<double> y = { 25, 15, 35, 55, 45 };

    double rs = spearmanRank(x, y);

    cout << "Spearman 相关系数为：" << rs << endl;

    return 0;
}

在这个例子中，我们使用了两个长度为 5 的向量 x 和 y，它们分别代表两个变量的取值。首先，我们计算出每个变量在样本中的秩次，然后使用秩次计算差异平方和。最后，根据公式计算 Spearman 相关系数。

输出结果如下：

Spearman 相关系数为：0.9

这意味着这两个变量之间有较强的正相关性。