建站
咨詢
售后
建站咨詢
新聞中心
今天就跟大家聊聊有關(guān)怎樣用Python進行相關(guān)性分析，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。
讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對這個行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價值的長期合作伙伴，公司提供的服務(wù)項目有：空間域名、網(wǎng)頁空間、營銷軟件、網(wǎng)站建設(shè)、灤州網(wǎng)站維護、網(wǎng)站推廣。
1.相關(guān)和因果是一回事嗎
相關(guān)性不等于因果。用x1和x2作為兩個變量進行解釋，相關(guān)意味著x1和x2是邏輯上的并列相關(guān)關(guān)系，而因果聯(lián)系可以解釋為因為x1所以x2(或因為x2所以x1)的邏輯關(guān)系，二者是完全不同的。
用一個運營示例來說明二者的關(guān)系：做商品促銷活動時，通常都會以較低的價格進行銷售，以此來實現(xiàn)較高的商品銷量;隨著商品銷售的提升，也給線下物流配送體系帶來了更大的壓力，在該過程中通常會導(dǎo)致商品破損量的增加。
本案例中，商品低價與破損量增加并不是因果關(guān)系，即不能說因為商品價格低所以商品破損量增加;二者的真實關(guān)系是都是基于促銷這個大背景下，低價和破損量都是基于促銷產(chǎn)生的。
相關(guān)性的真實價值不是用來分析“為什么”的，而是通過相關(guān)性來描述無法解釋的問題背后真正成因的方法。相關(guān)性的真正的價值是能知道“是什么”，即無論通過何種因素對結(jié)果產(chǎn)生影響，最終出現(xiàn)的規(guī)律就是二者會一起增加或降低等。
仍然是上面的案例，通過相關(guān)性分析我們可以知道，商品價格低和破損量增加是相伴發(fā)生的，這意味著當(dāng)價格低的時候(通常是做銷售活動，也有可能產(chǎn)品質(zhì)量問題、物流配送問題、包裝問題等)，我們就想到破損量可能也會增加。但是到底由什么導(dǎo)致的破損量增加，是無法通過相關(guān)性來得到的。
2.相關(guān)系數(shù)低就是不相關(guān)嗎
R(相關(guān)系數(shù))低就是不相關(guān)嗎?其實不是。
R的取值可以為負，R=-0.8代表的相關(guān)性要高于R=0.5。負相關(guān)只是意味著兩個變量的增長趨勢相反，因此需要看R的絕對值來判斷相關(guān)性的強弱。
即使R的絕對值低，也不一定說明變量間的相關(guān)性低，原因是相關(guān)性衡量的僅僅是變量間的線性相關(guān)關(guān)系，變量間除了線性關(guān)系外，還包括指數(shù)關(guān)系、多項式關(guān)系、冪關(guān)系等，這些“非線性相關(guān)”的相關(guān)性不在R(相關(guān)性分析)的衡量范圍之內(nèi)。
3.代碼實操：Python相關(guān)性分析
本示例中，將使用Numpy進行相關(guān)性分析。源文件data5.txt位于“附件-chapter3”中。附件下載地址：
http://www.dataivy.cn/book/python_book_v2.zip
import numpy as np # 導(dǎo)入庫 data = np.loadtxt('data5.txt', delimiter='\t') # 讀取數(shù)據(jù)文件 x = data[:, :-1] # 切分自變量 correlation_matrix = np.corrcoef(x, rowvar=0) # 相關(guān)性分析 print(correlation_matrix.round(2)) # 打印輸出相關(guān)性結(jié)果示例中實現(xiàn)過程如下：
先導(dǎo)入Numpy庫;
使用Numpy的loadtxt方法讀取數(shù)據(jù)文件，數(shù)據(jù)文件以tab分隔;
矩陣切片，切分出自變量用來做相關(guān)性分析;
使用Numpy的corrcoef方法做相關(guān)性分析，通過參數(shù)rowvar = 0控制對列做分析;
打印輸出相關(guān)性矩陣，使用round方法保留2位小數(shù)。結(jié)果如下：
[[ 1. -0.04 0.27 -0.05 0.21 -0.05 0.19 -0.03 -0.02] [-0.04 1. -0.01 0.73 -0.01 0.62 0. 0.48 0.51] [ 0.27 -0.01 1. -0.01 0.72 0. 0.65 0.01 0.02] [-0.05 0.73 -0.01 1. 0.01 0.88 0.01 0.7 0.72] [ 0.21 -0.01 0.72 0.01 1. 0.02 0.91 0.03 0.03] [-0.05 0.62 0. 0.88 0.02 1. 0.03 0.83 0.82] [ 0.19 0. 0.65 0.01 0.91 0.03 1. 0.03 0.03] [-0.03 0.48 0.01 0.7 0.03 0.83 0.03 1. 0.71] [-0.02 0.51 0.02 0.72 0.03 0.82 0.03 0.71 1. ]]
相關(guān)性矩陣的左側(cè)和頂部都是相對的變量，從左到右、從上到下依次是列1到列9。從結(jié)果看出：
第5列和第7列相關(guān)性較高，系數(shù)達到0.91。
第4列和第6列相關(guān)性較高，系數(shù)達到0.88。
第8列和第6列相關(guān)性較高，系數(shù)達到0.83。
為了更好地展示相關(guān)性結(jié)果，我們可以配合Matplotlib展示圖像。代碼如下：
fig = plt.figure() # 調(diào)用figure創(chuàng)建一個繪圖對象 ax = fig.add_subplot(111) # 設(shè)置1個子網(wǎng)格并添加子網(wǎng)格對象 hot_img = ax.matshow(np.abs(correlation_matrix), vmin=0, vmax=1) # 繪制熱力圖，值域從0到1 fig.colorbar(hot_img) # 為熱力圖生成顏色漸變條 ticks = np.arange(0, 9, 1) # 生成0～9，步長為1 ax.set_xticks(ticks) # 生成x軸刻度 ax.set_yticks(ticks) # 設(shè)置y軸刻度 names = ['x' + str(i) for i in range(x.shape[1])] # 生成坐標(biāo)軸標(biāo)簽文字 ax.set_xticklabels(names) # 生成x軸標(biāo)簽 ax.set_yticklabels(names) # 生成y軸標(biāo)簽
上述代碼的功能都已經(jīng)在注釋中注明。有以下幾點需要注意：
由于相關(guān)性結(jié)果中看的是絕對值的大小，因此需要對correlation_matrix做取絕對值操作，其對應(yīng)的值域會變?yōu)閇0, 1]。
原始數(shù)據(jù)中由于沒有列標(biāo)題，因此這里使用列表推導(dǎo)式生成從x0到x8代表原始的9個特征。
展示結(jié)果如圖所示。
從圖像中配合顏色可以看出：顏色越亮(彩色顏色為越黃)，則相關(guān)性結(jié)果越高，因此從左上角到右下角呈現(xiàn)一條黃色斜線;而顏色較亮的第5列和第7列、第4列和第6列及第8列和第6列分別對應(yīng)x4和x6、x3和x5、x7和x5。
上述過程中，主要需要考慮的關(guān)鍵點是：如何理解相關(guān)性和因果關(guān)系的差異，以及如何應(yīng)用相關(guān)性。相關(guān)性分析除了可以用來分析不同變量間的相關(guān)伴生關(guān)系以外，也可以用來做多重共線性檢驗。
看完上述內(nèi)容，你們對怎樣用Python進行相關(guān)性分析有進一步的了解嗎？如果還想了解更多知識或者相關(guān)內(nèi)容，請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝大家的支持。
分享名稱：怎樣用Python進行相關(guān)性分析
URL標(biāo)題：http://www.dlmjj.cn/article/jejhpi.html
