Кореляція

Exploratory Data Analysis у Python

Izzy Weber

Curriculum Manager, DataCamp

Кореляція

Описує напрям і силу зв'язку між двома змінними
Встановіть numeric_only=True, щоб уникнути помилок із нечисловими стовпцями

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

Обчислює коефіцієнт кореляції Пірсона

Теплові мапи кореляції

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

Теплова мапа кореляцій для даних про розлучення

Кореляція в контексті

divorce["divorce_date"].min()

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

divorce["divorce_date"].max()

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

Візуалізація зв'язків

Сильний зв'язок із низьким коефіцієнтом лінійної кореляції

Сильний зв'язок — але не лінійний
Коефіцієнт кореляції Пірсона: -6.48e-18

Квадратичний зв'язок із високим коефіцієнтом лінійної кореляції

Квадратичний зв'язок; не лінійний
Коефіцієнт кореляції Пірсона: .971211

Точкові діаграми

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

Точкова діаграма доходів чоловіків і жінок на момент розлучення

Pairplot-и

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

Парний графік усіх числових стовпців у датафреймі divorce

Pairplot-и

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

Парний графік доходів партнерів і тривалості шлюбу

Давайте потренуємось!

Exploratory Data Analysis у Python