python多变量相关p值

要计算多个变量之间的相关性，可以使用皮尔逊相关系数。在 Python 中，可以使用 `scipy.stats` 模块中的 `pearsonr` 函数来计算两个变量之间的相关系数及其对应的 p 值。如果要计算多个变量之间的相关性，可以使用 pandas 库中的 `corr` 函数，该函数可以计算多个变量之间的相关系数矩阵。对于相关系数矩阵，可以使用 `numpy` 中的 `corrcoef` 函数来计算对应的 p 值。具体实现可以参考以下代码：

import pandas as pd
import numpy as np
from scipy.stats import pearsonr

# 创建数据集
data = {'var1': [1, 2, 3, 4, 5], 
        'var2': [2, 4, 6, 8, 10], 
        'var3': [3, 6, 9, 12, 15]}
df = pd.DataFrame(data)

# 计算相关系数矩阵
corr_matrix = df.corr()

# 计算对应的 p 值
p_values = np.zeros_like(corr_matrix)
for i in range(corr_matrix.shape[0]):
    for j in range(i+1, corr_matrix.shape[1]):
        corr, p = pearsonr(df.iloc[:, i], df.iloc[:, j])
        p_values[i, j] = p
        p_values[j, i] = p

print(corr_matrix)
print(p_values)

输出结果为：

          var1      var2      var3
var1  1.000000  1.000000  1.000000
var2  1.000000  1.000000  1.000000
var3  1.000000  1.000000  1.000000

[[0.         0.         0.        ]
 [0.         0.         0.        ]
 [0.         0.         0.        ]]

由于数据集中的变量之间完全相关，因此相关系数为 1，对应的 p 值为 0。