ความสัมพันธ์เชิงสหสัมพันธ์

การวิเคราะห์ข้อมูลแบบสำรวจด้วย Python

EbunOluwa Andrew

Data Scientist

สหสัมพันธ์ในการวิเคราะห์แบบสอบถาม

ความสัมพันธ์ระหว่างตัวแปร
- เมื่อตัวแปรหนึ่งเปลี่ยน อีกตัวก็เปลี่ยนตาม
วัดความสัมพันธ์เชิงเส้นระหว่างคำถามสองข้อในแบบสอบถาม
สหสัมพันธ์ ไม่ ได้หมายความว่าเป็นเหตุเป็นผลกัน
- อาจมีตัวแปรที่สามมาเกี่ยวข้อง
- ไม่สามารถสรุปได้ว่าตัวแปรใดเป็นสาเหตุของการเปลี่ยนแปลง

สหสัมพันธ์ไม่ใช่เหตุและผล พร้อมข้อความ

ความแข็งแกร่งและทิศทางของสหสัมพันธ์

ค่าสัมประสิทธิ์สหสัมพันธ์ -> 'r'
-1.0 ถึง 1.0
- -1 หรือ 1 = ความสัมพันธ์สมบูรณ์
- 0 = ไม่มีความสัมพันธ์
- น้อยกว่า 0 = ความสัมพันธ์เชิงลบ
- มากกว่า 0 = ความสัมพันธ์เชิงบวก
ข้อมูลน้อย ต้องการสหสัมพันธ์ที่แข็งแกร่งกว่าจึงจะมีนัยสำคัญทางสถิติ

ความสัมพันธ์ระหว่างชิ้นส่วนปริศนา

ฟังก์ชัน .corr()

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

ประเภทของสหสัมพันธ์

ตัวอย่าง .corr(): 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 |

ตัวอย่าง .corr(): healthy_city

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

กราฟ scatter plot ของ happy_survey

ตัวอย่าง .corr(): healthy_city

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

0.7245870841569987

มาฝึกกันเถอะ!

การวิเคราะห์ข้อมูลแบบสำรวจด้วย Python