连续变量的相关性分析python

连续变量的相关性分析可以使用Python中的pandas库来实现。在Python中，可以使用dataframe.corr()函数来计算数字变量之间的相关性。首先，需要导入pandas库，并创建一个包含连续变量的数据框。

在下面的示例中，我们将使用一个包含年龄和收入的数据框df来进行相关性分析：

import pandas as pd

df = pd.DataFrame(
    [[20, 6000], [18, 6500], [17, 4500], [16, 3000], [21, 8000], [23, 18000], [30, 25000], [40, 18000], [55, 10000], [35, 19000], [26, 15000], [27, 8000]],
    columns=["age", "income"]
)

correlation_matrix = df[['age', 'income']].corr(method='pearson')
print(correlation_matrix)

上述代码将计算年龄和收入之间的皮尔逊相关系数，并打印相关性矩阵。你可以将'method'参数设置为'spearman'或'kendall'来计算其他相关系数，分别为斯皮尔曼和肯德尔相关系数。

请注意，这只是一个简单的示例，你可以根据实际情况调整代码以适应你的数据集和问题。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [使用 Python 查找分类变量和连续变量之间的相关性](https://blog.csdn.net/weixin_39678089/article/details/110130318)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* [Python笔记-相关性分析（连续变量和分类变量）](https://blog.csdn.net/qq78442761/article/details/123039824)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]