Correlation

Python में सर्वे डेटा का विश्लेषण

EbunOluwa Andrew

Data Scientist

सर्वे विश्लेषण में Correlations

वैरिएबल मात्राओं की परस्पर निर्भरता
- एक वैरिएबल बदले तो दूसरा भी बदलता है
दो सर्वे आइटम्स के बीच रैखिक संबंध मापता है
Correlation जरूरी नहीं कि कारण हो
- कोई तीसरा वैरिएबल असर डाल सकता है
- तय करना मुश्किल होता है कि कौन सा वैरिएबल दूसरे में बदलाव लाता है

Correlation is not causation. Lettering

Correlation की ताकत और दिशा

Correlation coefficients -> 'r'
-1.0 से 1.0
- -1 या 1 = परफेक्ट संबंध
- 0 = कोई उल्लेखनीय संबंध नहीं
- 0 से कम = नकारात्मक संबंध
- 0 से अधिक = सकारात्मक संबंध
छोटे सैंपल में सांख्यिकीय महत्व के लिए मजबूत correlations चाहिए

पज़ल पीसों के बीच correlation

.corr() फंक्शन

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

Correlation के प्रकार

.corr() उदाहरण: 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() उदाहरण: healthy_city

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

happy_survey स्कैटर प्लॉट

.corr() उदाहरण: healthy_city

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

0.7245870841569987

अभ्यास करते हैं!

Python में सर्वे डेटा का विश्लेषण