Pandas 相关性分析 | 数据科学教程

介绍

在本实验中，我们将学习如何使用 Pandas 库中的 corrwith() 方法来计算两个 DataFrame 之间的成对相关性。

虚拟机使用提示

虚拟机启动完成后，点击左上角切换到 Notebook 标签页，以访问 Jupyter Notebook 进行练习。

有时，你可能需要等待几秒钟，直到 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，随时可以向 Labby 寻求帮助。实验结束后请提供反馈，我们将及时为你解决问题。

Skills Graph

%%%%{init: {'theme':'neutral'}}%%%% flowchart RL pandas(("Pandas")) -.-> pandas/ReadingDataGroup(["Reading Data"]) python(("Python")) -.-> python/ModulesandPackagesGroup(["Modules and Packages"]) pandas(("Pandas")) -.-> pandas/DataAnalysisGroup(["Data Analysis"]) pandas(("Pandas")) -.-> pandas/AdvancedOperationsGroup(["Advanced Operations"]) python(("Python")) -.-> python/PythonStandardLibraryGroup(["Python Standard Library"]) python(("Python")) -.-> python/DataScienceandMachineLearningGroup(["Data Science and Machine Learning"]) pandas/ReadingDataGroup -.-> pandas/read_csv("Read CSV") python/ModulesandPackagesGroup -.-> python/importing_modules("Importing Modules") python/ModulesandPackagesGroup -.-> python/using_packages("Using Packages") pandas/DataAnalysisGroup -.-> pandas/basic_statistics("Basic Statistics") pandas/AdvancedOperationsGroup -.-> pandas/merge_data("Merging Data") python/PythonStandardLibraryGroup -.-> python/data_collections("Data Collections") python/DataScienceandMachineLearningGroup -.-> python/data_analysis("Data Analysis") subgraph Lab Skills pandas/read_csv -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} python/importing_modules -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} python/using_packages -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} pandas/basic_statistics -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} pandas/merge_data -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} python/data_collections -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} python/data_analysis -.-> lab-68600{{"Pandas DataFrame 的 corrwith 方法"}} end

导入必要的库

要使用 corrwith() 方法，我们需要导入 pandas 库。

import pandas as pd

创建 DataFrames

让我们创建两个 DataFrame，用于本实验。

chart_1 = {'Name':['Chetan','yashas','yuvraj'],'Age':  [20,25,30],'Height': [155,160,175],'Weight': [55,60,75]}
df1 = pd.DataFrame(chart_1)

chart_2 = {'Name':['Pooja','Sindu','Renuka'],'Age':  [18,25,20],'Height': [145,155,165],'Weight': [45,55,65]}
df2 = pd.DataFrame(chart_2)

使用 `corrwith()` 方法计算相关性

我们可以使用 corrwith() 方法来计算两个 DataFrame 之间的相关性。

df1.corrwith(df2)

指定相关性计算方法

默认情况下，corrwith() 方法使用 Pearson 相关系数。然而，我们可以通过 method 参数指定相关性计算方法。

df1.corrwith(df2, method='kendall')

总结

在本实验中，我们学习了如何使用 Pandas 库中的 corrwith() 方法来计算两个 DataFrame 之间的成对相关性。该方法对于查找两个数据集中不同列之间的相关性非常有用。通过指定相关性计算方法，我们可以计算 Pearson、Kendall 或 Spearman 相关系数。这有助于我们理解变量之间的关系，并做出数据驱动的决策。

Pandas DataFrame 的 corrwith 方法

介绍