数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学Pandas 中的 series.corr() 方法是如何工作的？
pandas.Series.corr() 方法用于计算两个 Series 对象之间的相关性，并排除缺失值。结果是一个介于 -1 到 1 之间的浮点值。如果输出是整数 1，则表示两个 Series 之间存在强正相关关系；如果输出是“-1”，则表示存在强负相关关系。
series.corr() 方法有三个参数：第一个是另一个 Series 对象；第二个是相关方法的名称；第三个是 min_period，这是一个可选参数。
示例 1
import pandas as pd
# create pandas Series1
series1 = pd.Series([9,2,4,6,1])
print("First series object:",series1)
# create pandas Series2
series2 = pd.Series([12,4,2,7,4])
print("Second series object:",series2)
# calculate the correlation
print("The Correlation value: ", series1.corr(series2, method='pearson'))解释
首先，我们使用 Python 整数列表创建了两个 Pandas Series 对象。之后，我们使用“Pearson”方法找出这两个 Series 对象的值之间的相关性。
输出
First series object: 0 9 1 2 2 4 3 6 4 1 dtype: int64 Second series object: 0 12 1 4 2 2 3 7 4 4 dtype: int64 The Correlation value: 0.8471600336634684
以下示例中，两个 Series 对象之间的相关性为“0.85”，这表明这两个 Series 对象之间存在强正相关关系。
示例 2
import pandas as pd
import numpy as np
# create pandas Series1
series1 = pd.Series([12,np.nan,47,19,10])
print("First series object:",series1)
# create pandas Series2
series2 = pd.Series([9,4,2,np.nan,4])
print("Second series object:",series2)
# calculate the correlation
print("The Correlation value: ", series1.corr(series2, method='pearson'))解释
首先，我们使用 Python 整数列表创建了两个 Pandas Series 对象，其中还包含一些由 numpy.nan 属性创建的空值。之后，我们再次使用“Pearson”方法找出这两个 Series 对象的值之间的相关性。
输出
First series object: 0 12.0 1 NaN 2 47.0 3 19.0 4 10.0 dtype: float64 Second series object: 0 9.0 1 4.0 2 2.0 3 NaN 4 4.0 dtype: float64 The Correlation value: -0.6864226486537492
以下示例中，两个 Series 对象之间的相关性为“-0.69”，这表明这两个 Series 对象之间存在强负相关关系。
更新于：2022年3月9日
301 次浏览
广告