Pandas 数据关联性

查找关联性

Pandas 模块的一个重要方面是 corr() 方法。

corr() 方法计算数据集中每列之间的关系。

下面的例子都使用的一个叫做 "data.csv" 的 CSV 文件。

下载 CSV 文件，或者在浏览器中查看 CSV 文件

实例

展示每列之间的关系:

import pandas as pd
df = pd.read_csv('data.csv')
print(df.corr())

结果

          Duration     Pulse  Maxpulse  Calories
Duration  1.000000 -0.155408  0.009403  0.922721
Pulse    -0.155408  1.000000  0.786535  0.025120
Maxpulse  0.009403  0.786535  1.000000  0.203814
Calories  0.922721  0.025120  0.203814  1.000000

结果解释

corr() 方法的结果是一个包含大量数字的表，这些数字很好地表示两列之间的关系。

数字从 -1 到 1 的变化。

1 表示存在 1 对 1 的关系（完美的相关性），对于该数据集，每次第一列中的值上升时，另一列也会上升。

0.9 也是一种良好的关系，如果增加一个值，另一个值也可能会增加。

-0.9 与 0.9 的关系一样好，但如果增加一个值，另一个值可能会下降。

0.2 表示关系不好，这意味着如果一个值上升，并不意味着另一个值会上升。

完美关联：

我们可以看到 "Duration" 和 "Duration" 的数字是 1.000000，这是有道理的，每一列总是与其自身有一个完美的关系。

良好关联:

"Duration" 和 "Calories" 之间有一个 0.922721 的相关性，这是一个非常好的相关性，我们可以预测，你锻炼的时间越长，消耗的卡路里越多，反之亦然：如果你消耗了大量的卡路里，你可能锻炼了很长时间。

不良相关性:

"Duration" 和 "Maxpulse" 之间有一个 0.009403 相关性，这是一种非常糟糕的相关性，意味着我们不能仅仅通过观察运动的持续时间来预测心率的变化，反之亦然。