Корреляции

Анализ данных опросов на Python

EbunOluwa Andrew

Data Scientist

Корреляции в анализе опросов

Взаимозависимость переменных величин
- Изменение одной переменной влечёт изменение другой
Измеряет линейную связь между двумя элементами опроса
Корреляция НЕ означает причинно-следственную связь
- Возможно влияние третьей переменной
- Нельзя определить, какая переменная вызывает изменения в другой

Корреляция не означает причинность. Надпись

Сила и направление корреляции

Коэффициент корреляции -> 'r'
От -1,0 до 1,0
- -1 или 1 = идеальная зависимость
- 0 = отсутствие значимой зависимости
- Меньше 0 = отрицательная зависимость
- Больше 0 = положительная зависимость
Чем меньше данных, тем сильнее должна быть корреляция для статистической значимости

Корреляция между элементами пазла

Функция .corr()

.corr()
_first column_.corr(_second column_)

Типы корреляции

.corr(): пример healthy_city

| City       | Rank | Life expectancy_years | Happiness levels |
|------------|------|-----------------------|------------------|
| Amsterdam  |    1 |                  81.2 |             7.44 |
| Sydney     |    2 |                  82.1 |             7.22 |
| Vienna     |    3 |                    81 |             7.29 |
| Stockholm  |    4 |                  81.8 |             7.35 |
| Copenhagen |    5 |                  79.8 |             7.64 |
| Helsinki   |    6 |                  80.4 |              7.8 |
| Fukuoka    |    7 |                  83.2 |             5.87 |
| Berlin     |    8 |                  80.6 |             7.07 |
| Barcelona  |    9 |                  82.2 |              6.4 |

.corr(): пример healthy_city

import matplotlib.pyplot as plt
plt.scatter(healthy_city['Life expectancy_years'],
            healthy_city['Happiness levels'])

Точечный график happy_survey

.corr(): пример healthy_city

happy_survey['Happiness levels'].corr(
  happy_survey['Life expectancy_years'])

0.7245870841569987

Давайте потренируемся!

Анализ данных опросов на Python