python-計算數據的相關性

先解釋下什么叫數據的相關性:

計算兩個數組的平均值,如果兩個數組中的兩個值都大於平均值或者都小於平均值,則得到true. 如果一個大於平均值一個小於平均值,則得到false.最后計算true和false的個數.

比如,兩個數組[1, 2, 3, 4] and [4, 5, 6, 7] , 得到 (4, 0). 因為 1 和 4 都低於他們所在數組的平均值, 2 和 5 也都低於他們所在數組的平均值, 3 和 6 都高於他們所在數組的平均值, 4 和 7 也都高於他們所在數組的平均值.所以計算結果為true的有4個,false的為0.

如果數組是[1, 2, 3, 4] and [7, 6, 5, 4], 那結果就是 (0, 4). 因為 1 低於他所在數組的平均值而 7 高於們所在數組的平均值, 其它幾項也類似...

一個栗子:

比如有如下數據,20個城市的人均壽命和城市的gdp,計算壽命和gdp的相關性就是,計算是否壽命較高的城市,gdp也會較高,壽命較低,gdp也較低...就是說,gdp和壽命,是否相關...如果計算得到的true比較多,那就是表示是相關的,如果得到的false比較多,那就表示不相關.

countries = ['Albania', 'Algeria', 'Andorra', 'Angola', 'Antigua and Barbuda',
             'Argentina', 'Armenia', 'Australia', 'Austria', 'Azerbaijan',
             'Bahamas', 'Bahrain', 'Bangladesh', 'Barbados', 'Belarus',
             'Belgium', 'Belize', 'Benin', 'Bhutan', 'Bolivia']

life_expectancy_values = [74.7,  75. ,  83.4,  57.6,  74.6,  75.4,  72.3,  81.5,  80.2,
                          70.3,  72.1,  76.4,  68.1,  75.2,  69.8,  79.4,  70.8,  62.7,
                          67.3,  70.6]

gdp_values = [ 1681.61390973,   2155.48523109,  21495.80508273,    562.98768478,
              13495.1274663 ,   9388.68852258,   1424.19056199,  24765.54890176,
              27036.48733192,   1945.63754911,  21721.61840978,  13373.21993972,
                483.97086804,   9783.98417323,   2253.46411147,  25034.66692293,
               3680.91642923,    366.04496652,   1175.92638695,   1132.21387981]

  life_expectancy = pd.Series(life_expectancy_values)

gdp = pd.Series(gdp_values)

# 計算相關性的函數
def variable_correlation(pd_1, pd_2):
    pd_1_mean = pd_1.mean()
    pd_2_mean = pd_2.mean()
    
 # 都高於平均值或都低於平均值的,得到true,一個高一個低的,得到false 
　　 result_series = ((pd_1 > pd_1_mean) & \
                    (pd_2 > pd_2_mean)) | \
                    ((pd_1 < pd_1_mean) & \
                    (pd_2 < pd_2_mean))
    
    # 計算true的個數
    num_same_direction = result_series.sum()   
    # 計算false的個數
　　 num_different_direction = len(result_series) - num_same_direction   
    
    return (num_same_direction,num_different_direction)
    
print(variable_correlation(life_expectancy,gdp))   
 
# 結果
(17,3)

說明壽命和gdp是相關的.