Korrelation

Explorative Datenanalyse in Python

Izzy Weber

Curriculum Manager, DataCamp

Korrelation

Beschreibt die Richtung und Stärke des Verhältnisses zwischen zwei Variablen.
Setze numeric_only=True, um Fehler bei nicht numerischen Spalten zu vermeiden.

divorce.corr(numeric_only=True)


                    income_man  income_woman  marriage_duration  num_kids  marriage_year 
 income_man         1.000       0.318         0.085              0.041     0.019         
 income_woman       0.318       1.000         0.079              -0.018    0.026         
 marriage_duration  0.085       0.079         1.000              0.447     -0.812        
 num_kids           0.041       -0.018        0.447              1.000     -0.461        
 marriage_year      0.019       0.026         -0.812             -0.461    1.000

Berechnet den Pearson-Korrelationskoeffizienten.

Korrelations-Heatmaps

sns.heatmap(divorce.corr(numeric_only=True), annot=True)
plt.show()

Eine Heatmap der Scheidungskorrelationen

Korrelation im Kontext

divorce["divorce_date"].min()

Timestamp('2000-01-08 00:00:00')

divorce["divorce_date"].max()

Timestamp('2015-11-03 00:00:00')

Visualisierte Zusammenhänge

Eine starker Zusammenhang mit einem niedrigen linearen Korrelationskoeffizienten

Starkes Verhältnis – aber nicht linear
Pearson-Korrelationskoeffizient: -6.48e-18

Ein quadratisches Verhältnis mit einem hohen linearen Korrelationskoeffizienten

Quadratisches Verhältnis; nicht linear
Pearson-Korrelationskoeffizient: .971211

Streudiagramme

sns.scatterplot(data=divorce, x="income_man", y="income_woman")
plt.show()

Ein Streudiagramm zum Einkommen von Männern und Frauen zum Zeitpunkt der Scheidung

Pairplots

sns.pairplot(data=divorce)
plt.show()

Ein Pairplot aller numerischen Spalten im Scheidungs-DataFrame

Pairplots

sns.pairplot(data=divorce, vars=["income_man", "income_woman", "marriage_duration"])
plt.show()

Ein Pairplot der Einkommen der Partner und der Ehedauer

Lass uns üben!

Explorative Datenanalyse in Python