eigen计算相关系数

在eigen中，可以使用CorrelationMatrix类来计算相关系数。

首先，需要将数据转换为Eigen矩阵，可以使用Map函数将数据指针映射到矩阵中。例如，假设有一个包含n个样本和p个特征的数据矩阵X，可以使用以下代码将其转换为Eigen矩阵：

#include <Eigen/Core>
#include <Eigen/Eigenvalues>

Eigen::MatrixXd X(n, p);
double* X_data = ...; // 数据指针
Eigen::Map<Eigen::MatrixXd>(X_data, n, p) = X;

然后，可以使用CorrelationMatrix类计算相关系数矩阵。例如，假设想要计算X中各个特征之间的相关系数，可以使用以下代码：

Eigen::MatrixXd corr = Eigen::CorrelationMatrix<Eigen::MatrixXd>::compute(X);

这将计算X的相关系数矩阵，并将其存储在变量corr中。corr是一个p x p的矩阵，其中(i, j)位置的元素表示X的第i和第j个特征之间的相关系数。

注意，CorrelationMatrix类计算的是皮尔逊相关系数，如果需要计算其他类型的相关系数（如Spearman相关系数），可以使用其他类（如CovarianceMatrix）来实现。

完整代码示例：

#include <Eigen/Core>
#include <Eigen/Eigenvalues>

int main() {
    const int n = 100; // 样本数
    const int p = 4; // 特征数

    // 生成随机数据
    double X_data[n * p];
    for (int i = 0; i < n * p; i++) {
        X_data[i] = std::rand() / double(RAND_MAX);
    }

    // 转换为Eigen矩阵
    Eigen::MatrixXd X(n, p);
    Eigen::Map<Eigen::MatrixXd>(X_data, n, p) = X;

    // 计算相关系数矩阵
    Eigen::MatrixXd corr = Eigen::CorrelationMatrix<Eigen::MatrixXd>::compute(X);

    std::cout << "Correlation matrix:" << std::endl << corr << std::endl;

    return 0;
}