概念

相關性分析：兩個連續變量之間的關系檢驗。

Pearson相關系數：衡量兩個變量的線性相關關系；

Spearman相關系數：衡量兩個變量的線性相關關系，部分非線性的也可以衡量；

Kendall相關系數：衡量兩個變量之間非線性相關關系；

0.3以上就是有相關性了，0.3~0.5就是有點強的，0.5以上就是很強的。

下面是分類變量，研究非連續的變量

卡方檢驗：兩個分類變量的分析，是否相關，不能表示強弱。

Python例子

連續變量

代碼如下：

from statsmodels.stats.anova import anova_lm from statsmodels.formula.api import ols import pandas as pd from scipy import statsdf = 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"] )if __name__ == '__main__':print(df[['age', 'income']].corr(method='pearson'), "\n")print(df[['age', 'income']].corr(method='spearman'), "\n")print(df[['age', 'income']].corr(method='kendall'), "\n")print(stats.chi2_contingency(df));pass

運行截圖如下：

?

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的Python笔记-相关性分析（连续变量和分类变量）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。