在Python中创建相关系数矩阵的六种方法

导入 pandas 作为 pd
 将seaborn导入为sns
 
 数据 = sns.load_dataset('mpg')
 相关矩阵 = data.corr(numeric_only=True)
 correlation_matrix

来自 scipy.stats 导入 p耳朵声 将 pandas 导入为 pd 将seaborn导入为sns def corr_full(df, numeric_notallow=True, rows=['corr', 'p-value', 'obs']): ”“” 生成具有相关系数的相关矩阵， p 值和观察计数。 参数： - df：输入数据帧 - numeric_only (bool): 是否只考虑数字列 相关性。默认为 True。 - rows：确定要显示的信息。 默认值为 ['corr', 'p-value', 'obs']。 返回： - formatted_table：与指定行的相关矩阵。 ”“” # 计算皮尔逊相关系数 corr_matrix = df.corr( numeric_notallow=numeric_only)# 使用 scipy 的 pearsonr 计算 p 值 pvalue_matrix = df.corr( numeric_notallow=numeric_only, 方法=lambda x, y: pearsonr(x, y)[1]) # 计算每列的非空观察计数 obs_count = df.apply(lambda x: x.notnull().sum()) # 计算每对列的观察计数 obs_matrix = pd.DataFrame( 索引=corr_matrix.columns，列=corr_matrix.columns） 对于 obs_count.index 中的 col1： 对于 obs_count.index 中的 col2： obs_matrix.loc[col1, col2] = min(obs_count[col1], obs_count[col2]) # 创建一个多索引数据框来存储格式化的相关性 formatted_table = pd.DataFrame( index=pd.MultiIndex.from_product([corr_matrix.columns, rows]), 列=corr_matrix.columns ） # 将值分配给格式化表格中的适当单元格 对于 corr_matrix.columns 中的 col1：对于 corr_matrix.columns 中的 col2： 如果行中有“corr”： 格式化表.loc[ (col1, 'corr'), col2] = corr_matrix.loc[col1, col2] 如果行中有“p 值”： # 避免使用对角线的 p 值，它们完美相关 如果 col1 != col2: 格式化表.loc[ (col1, 'p 值'), col2] = f"({pvalue_matrix.loc[col1, col2]:.4f})" 如果“obs”在行中： 格式化表.loc[ (col1, 'obs'), col2] = obs_matrix.loc[col1, col2] 返回（formatted_table.fillna（''） .style.set_properties(**{'text-align': 'center'}))