皮尔森相关系数代码实例

皮尔逊相关系数的代码实例可以使用Python中的scipy库来计算。下面是一个简单的代码示例：

import numpy as np
from scipy.stats import pearsonr

# 定义两个变量
x = np.array([1, 2, 3, 4, 5])
y = np.array([5, 4, 3, 2, 1])

# 计算皮尔逊相关系数和p值
corr, p_value = pearsonr(x, y)

# 打印结果
print("皮尔逊相关系数: ", corr)
print("p值: ", p_value)

在这个例子中，我们首先导入了需要的库。然后定义了两个变量x和y，它们是我们要计算相关系数的两组数据。接下来，我们使用scipy库的pearsonr函数来计算相关系数和p值。最后，我们打印出结果。

请注意，这只是一个简单的示例，你可以根据实际需求修改数据和代码。

相关问题

合金成分皮尔森相关系数热力图

### 绘制合金成分与皮尔森相关系数的热力图

为了绘制合金成分与其属性之间的皮尔森相关系数热力图，可以遵循以下方法。假设有一个数据集 `df`，其中包含了不同类型的合金及其各种化学成分和其他物理特性。

#### 数据准备
确保数据集中每列代表一种特定的变量（例如不同的金属元素含量或其他特征），而每一行对应于一个具体的样本实例。这可以通过读取CSV文件来完成：

import pandas as pd

# 假设 alloy_data.csv 是包含合金成分的数据文件路径
df = pd.read_csv('alloy_data.csv')

#### 计算皮尔森相关系数矩阵
利用Pandas库中的 `.corr()` 方法可以直接计算给定DataFrame对象各列间的皮尔森相关性得分，并返回一个新的方阵形式的相关系数表。

correlation_matrix = df.corr(method='pearson')

#### 使用Seaborn和Matplotlib创建热力图
接下来借助 Seaborn 库提供的 `sns.heatmap()` 函数可视化上述得到的相关系数矩阵。设置参数如线条宽度 (`linewidths`)、最大颜色值 (`vmax`) 和网格形状 (`square`) 来调整图形样式；同时开启注解功能 (`annot=True`) 显示具体数值以便更直观地解读图表信息[^1]。

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(8, 6))
sns.set(style="whitegrid", font_scale=1)

heat_map = sns.heatmap(
    correlation_matrix,
    linewidths=.5,
    vmax=1.0,
    square=True,
    linecolor='white',
    annot=True,
    cmap="coolwarm"
)

plt.title('Alloy Composition Pearson Correlation Heatmap')
plt.show()

此代码片段将会生成一张显示合金成分之间相互关系强度的热力图，帮助分析人员更好地理解这些因素是如何共同作用影响最终材料性能的。