numpy.corrcoef#

numpy.corrcoef(x, y=None, rowvar=True, bias=<no value>, ddof=<no value>, *, dtype=None)[源代码]#

返回皮尔逊积矩相关系数.

更多详细信息请参阅 cov 的文档.相关系数矩阵 R 和协方差矩阵 C 之间的关系是

\[R_{ij} = \frac{ C_{ij} } { \sqrt{ C_{ii} C_{jj} } }\]

R 的值在 -1 和 1 之间,包括 -1 和 1.

参数:
xarray_like

一个包含多个变量和观测值的1维或2维数组.`x` 的每一行代表一个变量,每一列代表所有这些变量的一个单独观测值.另请参见下面的 rowvar.

yarray_like, 可选

一组额外的变量和观察.`y` 与 x 具有相同的形状.

rowvarbool, 可选

如果 rowvar 为 True（默认）,则每一行表示一个变量,观测值在列中.否则,关系被转置:每一列表示一个变量,而行包含观测值.

bias_NoValue, 可选

无效,请勿使用.

自 1.10.0 版本弃用.

ddof_NoValue, 可选

无效,请勿使用.

自 1.10.0 版本弃用.

dtype数据类型, 可选

结果的数据类型.默认情况下,返回的数据类型将至少具有 numpy.float64 精度.

在 1.20 版本加入.

返回:
Rndarray

变量的相关系数矩阵.

参见

cov

协方差矩阵

备注

由于浮点数舍入,结果数组可能不是厄米特矩阵,对角元素可能不是1,并且元素可能不满足不等式 abs(a) <= 1.实部和虚部被剪辑到区间 [-1, 1] 以尝试改善这种情况,但在复数情况下帮助不大.

此函数接受但丢弃参数 bias 和 ddof.这是为了与该函数以前的版本保持向后兼容性.这些参数对函数的返回值没有影响,可以在 numpy 的当前版本和以前版本中安全地忽略.

示例

>>> import numpy as np

在这个例子中,我们生成了两个随机数组,``xarr`` 和 yarr,并计算了行向和列向的皮尔逊相关系数,``R``.由于 rowvar 默认是 true,我们首先找到 xarr 变量之间的行向皮尔逊相关系数.

>>> import numpy as np
>>> rng = np.random.default_rng(seed=42)
>>> xarr = rng.random((3, 3))
>>> xarr
array([[0.77395605, 0.43887844, 0.85859792],
       [0.69736803, 0.09417735, 0.97562235],
       [0.7611397 , 0.78606431, 0.12811363]])
>>> R1 = np.corrcoef(xarr)
>>> R1
array([[ 1.        ,  0.99256089, -0.68080986],
       [ 0.99256089,  1.        , -0.76492172],
       [-0.68080986, -0.76492172,  1.        ]])

如果我们添加另一组变量和观察值 yarr,我们可以计算 xarr 和 yarr 中变量之间的行方向皮尔逊相关系数.

>>> yarr = rng.random((3, 3))
>>> yarr
array([[0.45038594, 0.37079802, 0.92676499],
       [0.64386512, 0.82276161, 0.4434142 ],
       [0.22723872, 0.55458479, 0.06381726]])
>>> R2 = np.corrcoef(xarr, yarr)
>>> R2
array([[ 1.        ,  0.99256089, -0.68080986,  0.75008178, -0.934284  ,
        -0.99004057],
       [ 0.99256089,  1.        , -0.76492172,  0.82502011, -0.97074098,
        -0.99981569],
       [-0.68080986, -0.76492172,  1.        , -0.99507202,  0.89721355,
         0.77714685],
       [ 0.75008178,  0.82502011, -0.99507202,  1.        , -0.93657855,
        -0.83571711],
       [-0.934284  , -0.97074098,  0.89721355, -0.93657855,  1.        ,
         0.97517215],
       [-0.99004057, -0.99981569,  0.77714685, -0.83571711,  0.97517215,
         1.        ]])

最后,如果我们使用选项 rowvar=False,现在列被视为变量,我们将在 xarr 和 yarr 中的变量之间找到列方向的皮尔逊相关系数.

>>> R3 = np.corrcoef(xarr, yarr, rowvar=False)
>>> R3
array([[ 1.        ,  0.77598074, -0.47458546, -0.75078643, -0.9665554 ,
         0.22423734],
       [ 0.77598074,  1.        , -0.92346708, -0.99923895, -0.58826587,
        -0.44069024],
       [-0.47458546, -0.92346708,  1.        ,  0.93773029,  0.23297648,
         0.75137473],
       [-0.75078643, -0.99923895,  0.93773029,  1.        ,  0.55627469,
         0.47536961],
       [-0.9665554 , -0.58826587,  0.23297648,  0.55627469,  1.        ,
        -0.46666491],
       [ 0.22423734, -0.44069024,  0.75137473,  0.47536961, -0.46666491,
         1.        ]])
On this page