numpy.
corrcoef
返回皮尔逊积矩相关系数。
请参考文档 cov 更多细节。相关系数矩阵之间的关系, R 以及协方差矩阵, C 是
cov
价值观 R 介于-1和1之间(含1)。
包含多个变量和观测值的一维或二维数组。每行 x 表示一个变量,每列都是对所有这些变量的单个观察。也看到 rowvar 下面。
一组附加的变量和观察值。 y 形状与 x .
如果 rowvar 为真(默认值),则每行代表一个变量,列中包含观测值。否则,关系将被转置:每列表示一个变量,而行包含观测值。
没有效果,不要使用。
1.10.0 版后已移除.
结果的数据类型。默认情况下,返回数据类型至少有 numpy.float64 精度。
numpy.float64
1.20 新版功能.
变量的相关系数矩阵。
参见
协方差矩阵
笔记
由于浮点取整的结果数组可能不是Hermitian,对角线元素可能不是1,并且元素可能不满足不等式abs(a)<=1。实部和虚部被裁剪到区间 [-1, 1] 试图改善这种情况,但在复杂的情况下没有多大帮助。
此函数接受但放弃参数 bias 和 ddof . 这是为了与此函数的早期版本向后兼容。这些参数对函数的返回值没有影响,在这个和以前版本的numpy中可以安全地忽略这些参数。
实例
在这个例子中,我们生成两个随机数组, xarr 和 yarr ,并计算行相关系数和列相关系数, R . 自从 rowvar 默认情况下为true,我们首先找到变量之间的行Pearson相关系数 xarr .
xarr
yarr
R
rowvar
>>> import numpy as np >>> rng = np.random.default_rng(seed=42) >>> xarr = rng.random((3, 3)) >>> xarr array([[0.77395605, 0.43887844, 0.85859792], [0.69736803, 0.09417735, 0.97562235], [0.7611397 , 0.78606431, 0.12811363]]) >>> R1 = np.corrcoef(xarr) >>> R1 array([[ 1. , 0.99256089, -0.68080986], [ 0.99256089, 1. , -0.76492172], [-0.68080986, -0.76492172, 1. ]])
如果我们再加上一组变量和观察值 yarr ,我们可以计算变量之间的行皮尔逊相关系数 xarr 和 yarr .
>>> yarr = rng.random((3, 3)) >>> yarr array([[0.45038594, 0.37079802, 0.92676499], [0.64386512, 0.82276161, 0.4434142 ], [0.22723872, 0.55458479, 0.06381726]]) >>> R2 = np.corrcoef(xarr, yarr) >>> R2 array([[ 1. , 0.99256089, -0.68080986, 0.75008178, -0.934284 , -0.99004057], [ 0.99256089, 1. , -0.76492172, 0.82502011, -0.97074098, -0.99981569], [-0.68080986, -0.76492172, 1. , -0.99507202, 0.89721355, 0.77714685], [ 0.75008178, 0.82502011, -0.99507202, 1. , -0.93657855, -0.83571711], [-0.934284 , -0.97074098, 0.89721355, -0.93657855, 1. , 0.97517215], [-0.99004057, -0.99981569, 0.77714685, -0.83571711, 0.97517215, 1. ]])
最后如果我们使用这个选项 rowvar=False ,列现在被视为变量,我们将在 xarr 和 yarr .
rowvar=False
>>> R3 = np.corrcoef(xarr, yarr, rowvar=False) >>> R3 array([[ 1. , 0.77598074, -0.47458546, -0.75078643, -0.9665554 , 0.22423734], [ 0.77598074, 1. , -0.92346708, -0.99923895, -0.58826587, -0.44069024], [-0.47458546, -0.92346708, 1. , 0.93773029, 0.23297648, 0.75137473], [-0.75078643, -0.99923895, 0.93773029, 1. , 0.55627469, 0.47536961], [-0.9665554 , -0.58826587, 0.23297648, 0.55627469, 1. , -0.46666491], [ 0.22423734, -0.44069024, 0.75137473, 0.47536961, -0.46666491, 1. ]])