Korelacja

Eksploracyjna analiza danych w Pythonie

Izzy Weber

Curriculum Manager, DataCamp

Korelacja

Opisuje kierunek i siłę związku między dwiema zmiennymi
Ustaw numeric_only=True, aby uniknąć błędów z kolumnami nienumerycznymi

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

Oblicza współczynnik korelacji Pearsona

Mapy cieplne korelacji

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

Mapa cieplna korelacji w zbiorze divorce

Korelacja w kontekście

divorce["divorce_date"].min()

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

divorce["divorce_date"].max()

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

Wizualizacja zależności

Silna zależność przy niskim liniowym współczynniku korelacji

Silna zależność—ale nie liniowa
Współczynnik korelacji Pearsona: -6.48e-18

Zależność kwadratowa przy wysokim liniowym współczynniku korelacji

Zależność kwadratowa; nieliniowa
Współczynnik korelacji Pearsona: .971211

Wykresy punktowe

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

wykres punktowy dochodów mężczyzn i kobiet w chwili rozwodu

Pairploty

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

Pairplot wszystkich kolumn numerycznych w ramce danych divorce

Pairploty

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

pairplot dochodów partnerów i czasu trwania małżeństwa

Ćwiczmy!

Eksploracyjna analiza danych w Pythonie