皮尔森相关性系数的计算python代码

import numpy as np

def pearson_correlation(x, y):
"""
计算两个向量x和y的皮尔森相关性系数
"""
# 计算均值和标准差
x_mean = np.mean(x)
y_mean = np.mean(y)
x_std = np.std(x)
y_std = np.std(y)

# 计算协方差
cov = np.sum((x - x_mean) * (y - y_mean)) / len(x)

# 计算皮尔森相关性系数
corr = cov / (x_std * y_std)

return corr

# 示例
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])
corr = pearson_correlation(x, y)
print("皮尔森相关性系数为：", corr) # 输出：1.0

相关问题

皮尔森相关性python

皮尔森相关性是一种用于衡量两个变量之间线性相关程度的方法。在Python中，可以使用pandas库中的DataFrame.corr方法来计算皮尔森相关系数。具体使用方法如下：

df.corr(method="pearson")

其中，df是一个DataFrame对象，method参数指定计算的相关性方法，这里使用"pearson"表示计算皮尔森相关系数。

如果要同时获取相关系数的显著性检验P值矩阵，可以结合scipy库中的pearsonr函数来实现。具体代码如下：

from scipy.stats import pearsonr

def GetPvalue_Pearson(x, y):
    return pearsonr(x, y)[1]

df.corr(method=GetPvalue_Pearson)

这样就可以得到包含相关系数和P值的矩阵。

python皮尔森相关性分析

Python中可以使用pandas库的corr()函数进行皮尔森相关性分析。该函数的用法为：

df.corr(method="pearson")

其中，df是一个DataFrame对象，method参数指定了使用皮尔森相关系数进行相关性分析。

此外，还可以结合scipy库的pearsonr()函数来获取相关系数的显著性检验P值矩阵。具体的代码如下：

import scipy.stats as stats

def GetPvalue_Pearson(x, y):
    return stats.pearsonr(x, y)[1]

df.corr(method=GetPvalue_Pearson)

这样可以得到相关系数矩阵和对应的显著性检验P值矩阵。

需要注意的是，皮尔森相关性分析是一种衡量两个变量之间线性相关性的统计方法，它的值范围在-1到1之间，接近-1表示负相关，接近1表示正相关，接近0表示无相关性。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [python 皮尔森相关系数（Pearson）](https://blog.csdn.net/small__roc/article/details/123519616)[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^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]