数据集中的变量之间可能存在复杂且未知的关系。重要的是发现和量化数据集的变量相关的程度。这些知识可以帮你更好地准备数据，以满足机器学习算法的预期，例如线性回归，其性能会随着这些相关的出现而降低。

在本教程中，你会了解到相关性是变量之间关系的统计概要，以及在不同类型的变量和关系中，如何计算它。

学完本教程，你会明白：

• 如何通过计算协方差矩阵，总结两个或多个变量间的线性关系。


• 如何通过计算Pearson相关系数，总结两个变量间的线性关系。


• 如何通过计算Spearman相关系数，总结两个变量之间的单调关系（monotonic relationship）。

教程概述

本片教程分为5个部分，分别是：

• 什么是相关


• 测试数据集


• 协方差


• Pearson相关


• Spearman相关

什么是相关

有很多原因会使数据集内的变量之间存在相关关系。

例如：

• 一个变量可能决定或取决于另一个变量的值。


• 一个变量很容易与另一个变量有关联。


• 两个变量可能取决于第三个未知变量。

这在数据分析和建模中很有用，可以更好地理解变量间的关系。两个变量之间的关系在统计学中叫做“相关”。相关可能为正，意味着两个变量都在同一方向上移动，也可能为负，意味着当一个变量值增加时，另一个变量的值就会减少。相关也可能为零，也就是说这些变量是不相关的。

• 正相关：两个变量都在同一方向上变化


• 零相关：变量间的变化不存在相关


• 负相关：变量在相反的方向变化

如果两个或两个以上的变量紧密相关，即多重共线性，那么一些算法的性能就会下降。例如线性回归，为了提高模型的技能，应该移除其中有干扰的相关变量。我们可能还会对输入变量与输出变量间的相关感兴趣，因为这些在开发模型输入中，可以用来判断哪些变量会有相关性。

关系的结构可能是已知的，例如它可能是线性的，或者我们也可能不知道两个变量间是否存在关系，以及可能采用的结构。根据已知的关系和变量的分布情况，可以计算出不同的相关分数。

在本教程中，我们将探索一个符合高斯分布和线性关系的变量的分数，而另一个则不假定分布，并且会报告所有单调（增加或减少）关系。

测试数据集

在我们研究相关方法之前，让我们定义一个用来测试那些方法的数据集。我们生成1000个成对变量样本，并且它们之间具有很强的正相关。第一个变量是从平均数100、标准差20的高斯分布中抽取的随机数。第二个是第一个变量的值，加上平均数为50、标准差为10的高斯噪声。

使用randn（）函数来生成随机的高斯值（高斯分布的平均值为0，标准差为1），然后用我们自己的标准差乘以结果，并加上平均数，将值变换到你想要的范围。使用伪随机数生成器，以确保每次运行代码时都得到相同的数字样本。



运行这个示例，首先打印每个变量的平均数和标准差。



创建两个变量的散点图。因为我们是自己建立了数据集，我们知道这两个变量间存在关系。当我们查看散点图时，很明显能看出递增的趋势。

测试相关数据集的散点图

在我们计算相关分数之前，我们首先要考虑一个重要的统计方法——协方差。

协方差

变量之间可能会存在线性关系。这种关系在两个数据样本中递增一致。这种关系在两个变量之间被称为协方差。它是根据每个样本值之间的平均值乘积来计算的，其中这些值都要分别减去平均值。

计算样本协方差：



在计算中使用平均值表明，每个数据样本都要符合高斯或类高斯分布。可以通过两个变量是否一起增加（正）或一起减少（负），来解释协方差。很难解释协方差的大小。协方差值为0表明这两个变量都是完全独立的。

cov（）NumPy函数可用于计算两个或多个变量间的协方差矩阵。



矩阵的主对角线包含每个变量和它本身之间的协方差。矩阵中的其他值表示两个变量之间的协方差；在这种情况下，余下的两个值是相同的，因为我们只计算两个变量的协方差。

我们可以计算出测试问题中两个变量的协方差矩阵。

下面列出了完整的示例。



协方差和协方差矩阵在统计学和多元分析中应用广泛，主要用于描述两个或多个变量之间的关系。运行这个示例，计算并打印协方差矩阵。

因为每个变量是从高斯分布抽取，并具有线性相关，数据集是由这些变量人为建立的，所以协方差对于描述关系来说是很合适的方法。这两个变量之间的协方差是389.75。我们可以看到它是正向的，即正相关。



单独使用协方差这一统计工具的问题是，解释结果并不容易。所以下面我们来介绍Pearson相关系数。

Pearson相关

Pearson相关系数可用来总结两个数据样本之间线性关系的强度。计算Pearson相关系数是用两个变量的协方差除以每个数据样本标准差的乘积。这是两个变量之间协方差的标准化，从中可以得出一个可解释的分数。



在计算中使用平均值和标准差表明，两个数据样本需要符合高斯或类高斯分布。计算的结果，即相关系数可以被解释，并用于理解其间关系。

该系数返回的值在-1到1之间，表示相关的范围，即从完全负相关到完全正相关。0表示无相关。这个值必须被解释，通常低于-0.5或高于0.5的值表示显著的相关，其他范围的值则表示相关不显著。

pearsonr() SciPy函数可以计算两个相同长度的数据样本的Pearson相关系数。我们可以计算出测试问题中两个变量间的相关。

下面列出了完整的示例。



运行这个示例，计算并打印出Pearson相关系数。

我们可以看到这两个变量存在正相关关系，相关性为0.8。这意味着高相关，因为高于0.5且接近1.0。



可以用Pearson相关系数来评估两个以上变量间的关系。

这可以通过计算数据集中每一对变量之间关系的矩阵来实现。

结果是对称矩阵，被称为相关矩阵，因为主对角线上的值是1.0，每一列总与其自身完全相关。

Spearman相关

两个变量可能有非线性关系，那么这一关系强度可能随着变量分布变化。此外，这两个变量可能是非高斯分布。在这种情况下，Spearman相关系数可用来总结两个数据样本的关系强度。这个方法也能判断变量间的线性关系，不过检验效能稍弱（可能相关分数会比正常更低）。

与Pearson相关系数一样，Spearman相关系数用-1到1表示相关的范围，即从完全负相关到完全正相关。这些统计数据是用每个样本中值的相对秩计算出来的，而并非用样本本身的协方差和标准差。这是一种常用的非参数统计方法，例如，我们不假定数据分布为高斯分布时，我们就使用这种统计方法。






如果你不确定两个变量之间的分布和可能存在的关系，那么用Spearman相关系数很合适。用spearmanr() SciPy函数计算两个相同长度的数据样本的Spearman相关系数。我们可以计算出测试问题中两个变量间的相关。

下面列出了完整的示例。



运行这个示例，计算并打印出Spearman相关系数。

我们可以看到数据符合高斯分布且变量之间存在线性相关。然而，非参数秩次方法显示了变量间的高相关，相关为0.8。



与Pearson相关系数相同，Spearman相关系数可以成对计算数据集中的系数并得出相关矩阵。

扩展

本节列出了一些本教程的想法扩展，你可能希望进行深入探索。

• 用正、负相关生成你自己的数据集，并计算相关系数。


• 编写函数计算数据集的皮尔逊或斯皮尔曼相关矩阵。


• 建立一个标准的机器学习数据集，并计算所有实值变量对的相关系数。

总结

读完本教程，你明白了相关性是变量之间关系的统计概要，以及在不同类型的变量和关系中，如何计算它。

具体来说，你学会了：

• 如何通过计算协方差矩阵，总结两个或多个变量间的线性关系。


• 如何通过计算Pearson相关系数，总结两个变量间的线性关系。


• 如何通过计算Spearman相关系数，总结两个变量之间的单调关系。