Korelasi

Analisis Data Eksploratif di Python

Izzy Weber

Curriculum Manager, DataCamp

Korelasi

Menjelaskan arah dan kekuatan hubungan dua variabel
Setel numeric_only=True untuk mencegah error pada kolom non-numerik

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

Menghitung koefisien korelasi Pearson

Heatmap korelasi

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

Heatmap korelasi pada data perceraian

Korelasi dalam konteks

divorce["divorce_date"].min()

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

divorce["divorce_date"].max()

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

Memvisualisasikan hubungan

Hubungan kuat dengan koefisien korelasi linier rendah

Hubungan kuat—namun tidak linier
Koefisien korelasi Pearson: -6.48e-18

Hubungan kuadratik dengan koefisien korelasi linier tinggi

Hubungan kuadratik; tidak linier
Koefisien korelasi Pearson: .971211

Scatter plot

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

sebaran pendapatan pria dan wanita saat bercerai

Pairplot

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

Pairplot semua kolom numerik pada dataframe divorce

Pairplot

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

pairplot pendapatan pasangan dan lama pernikahan

Ayo berlatih!

Analisis Data Eksploratif di Python