Pearson相关系数计算代码

下面是Python代码实现Pearson相关系数的计算：

import numpy as np

def pearson_correlation(x, y):
    """
    计算两个向量x和y之间的Pearson相关系数
    """
    # 计算均值
    mean_x = np.mean(x)
    mean_y = np.mean(y)

    # 计算标准差
    std_x = np.std(x, ddof=1)
    std_y = np.std(y, ddof=1)

    # 计算协方差
    cov_xy = np.cov(x, y, ddof=1)[0][1]

    # 计算Pearson相关系数
    r = cov_xy / (std_x * std_y)

    return r

其中，x和y是两个一维数组，ddof参数表示自由度的修正值，一般取1。

相关问题

Pearson 相关系数 matlab代码

以下是使用MATLAB计算Pearson相关系数的示例代码：

% 创建两个随机向量x和y
x = randn(1, 100);
y = randn(1, 100);

% 计算Pearson相关系数
r = corrcoef(x, y);
r = r(1, 2); % 提取系数值

% 显示结果
disp(['Pearson相关系数为：', num2str(r)]);

在上面的代码中，我们首先创建了两个具有100个随机值的向量x和y。接着，我们使用`corrcoef`函数计算这两个向量的Pearson相关系数。最后，我们提取系数矩阵的元素`r(1, 2)`，即相关系数的值。最后，我们使用`disp`函数显示结果。

请注意，相关系数的值范围在-1到1之间，其中-1表示完全负相关，0表示没有相关性，1表示完全正相关。

计算方差贡献率、平均周期和Pearson相关系数的代码

计算方差贡献率可以使用PCA（主成分分析）算法，代码如下：

from sklearn.decomposition import PCA
import numpy as np

# 生成示例数据
X = np.random.rand(100, 5)

# 计算PCA
pca = PCA(n_components=5)
pca.fit(X)

# 输出各主成分所解释的方差占比
print(pca.explained_variance_ratio_)

计算平均周期可以使用以下代码：

# 假设一个时间序列为：
time_series = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 计算平均周期
periods = []
for i in range(1, len(time_series)):
    if time_series[i] == time_series[0]:
        periods.append(i)
avg_period = sum(periods) / len(periods)

print(avg_period)

计算Pearson相关系数可以使用以下代码：

# 假设有两个变量x和y
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 计算Pearson相关系数
corr = np.corrcoef(x, y)[0, 1]

print(corr)