Correlation

การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python

Izzy Weber

Curriculum Manager, DataCamp

Correlation

บอกทิศทางและความแข็งแกร่งของความสัมพันธ์ระหว่างสองตัวแปร
ตั้งค่า numeric_only=True เพื่อป้องกันข้อผิดพลาดจากคอลัมน์ที่ไม่ใช่ตัวเลข

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

คำนวณสัมประสิทธิ์ Correlation แบบ Pearson

Correlation Heatmap

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

Heatmap แสดง Correlation ของข้อมูลการหย่าร้าง

Correlation ในบริบท

divorce["divorce_date"].min()

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

divorce["divorce_date"].max()

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

การแสดงภาพความสัมพันธ์

กราฟที่แสดงความสัมพันธ์แข็งแกร่งแต่มีสัมประสิทธิ์ Correlation เชิงเส้นต่ำ

ความสัมพันธ์แข็งแกร่ง—แต่ไม่ใช่เชิงเส้น
สัมประสิทธิ์ Pearson Correlation: -6.48e-18

กราฟที่แสดงความสัมพันธ์แบบ Quadratic ที่มีสัมประสิทธิ์ Correlation เชิงเส้นสูง

ความสัมพันธ์แบบ Quadratic ไม่ใช่เชิงเส้น
สัมประสิทธิ์ Pearson Correlation: .971211

Scatter Plot

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

Scatterplot แสดงรายได้ของชายและหญิง ณ เวลาที่หย่าร้าง

Pairplot

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

Pairplot ของคอลัมน์ตัวเลขทั้งหมดใน DataFrame divorce

Pairplot

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

Pairplot แสดงรายได้ของคู่สมรสและระยะเวลาการแต่งงาน

มาฝึกกันเถอะ!

การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python