Tương quan

Phân tích dữ liệu khám phá trong Python

Izzy Weber

Curriculum Manager, DataCamp

Tương quan

Mô tả hướng và độ mạnh của quan hệ giữa hai biến
Đặt numeric_only=True để tránh lỗi với cột không phải số

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

Tính hệ số tương quan Pearson

Bản đồ nhiệt tương quan

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

bản đồ nhiệt tương quan của dữ liệu ly hôn

Tương quan trong ngữ cảnh

divorce["divorce_date"].min()

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

divorce["divorce_date"].max()

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

Trực quan hóa quan hệ

Quan hệ mạnh nhưng hệ số tương quan tuyến tính thấp

Quan hệ mạnh — nhưng không tuyến tính
Hệ số tương quan Pearson: -6.48e-18

Quan hệ bậc hai với hệ số tương quan tuyến tính cao

Quan hệ bậc hai; không tuyến tính
Hệ số tương quan Pearson: .971211

Biểu đồ phân tán

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

biểu đồ phân tán thu nhập nam và nữ tại thời điểm ly hôn

Biểu đồ cặp (pairplot)

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

biểu đồ cặp cho mọi cột số trong dataframe divorce

Biểu đồ cặp (pairplot)

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

biểu đồ cặp của thu nhập hai bên và thời gian hôn nhân

Ayo berlatih!

Phân tích dữ liệu khám phá trong Python