dask_expr._collection.Index.corr
dask_expr._collection.Index.corr¶
- Index.corr(other, method='pearson', min_periods=None, split_every=False)¶
计算与 other Series 的相关性，排除缺失值。
此文档字符串是从 pandas.core.series.Series.corr 复制而来的。
Dask 版本可能存在一些不一致性。
这两个 Series 对象不需要长度相同，在应用相关函数之前，它们会在内部对齐。
- 参数
- 其他系列
用于计算相关性的序列。
- 方法{‘pearson’, ‘kendall’, ‘spearman’} 或可调用对象
用于计算相关性的方法：
pearson : 标准相关系数
kendall : Kendall Tau 相关系数
spearman : 斯皮尔曼等级相关
callable: 可调用对象，输入两个一维 ndarray 并返回一个浮点数。
警告
请注意，从 corr 返回的矩阵将对角线上为 1，并且无论可调用对象的行为如何，都将是对称的。
- min_periodsint, 可选
需要的最小观测数量以获得有效结果。
- 返回
- 浮动
与其他相关。
参见
DataFrame.corr计算列之间的成对相关性。
DataFrame.corrwith计算与另一个 DataFrame 或 Series 的成对相关性。
注释
皮尔逊、肯德尔和斯皮尔曼相关性目前使用成对完整观测值计算。
自动数据对齐：与所有 pandas 操作一样，此方法执行自动数据对齐。
corr()方法会自动考虑具有匹配索引的值。示例
>>> def histogram_intersection(a, b): ... v = np.minimum(a, b).sum().round(decimals=1) ... return v >>> s1 = pd.Series([.2, .0, .6, .2]) >>> s2 = pd.Series([.3, .6, .0, .1]) >>> s1.corr(s2, method=histogram_intersection) 0.3
Pandas 会自动对齐具有匹配索引的值
>>> s1 = pd.Series([1, 2, 3], index=[0, 1, 2]) >>> s2 = pd.Series([1, 2, 3], index=[2, 1, 0]) >>> s1.corr(s2) -1.0