本篇内容主要讲解“pearson, spearman与kendall的关系是什么”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“pearson, spearman与kendall的关系是什么”吧!

创新互联主营弋江网站建设的网络公司,主营网站建设方案,重庆App定制开发,弋江h5小程序制作搭建,弋江网站营销推广欢迎弋江等地区企业咨询

统计学中的三大相关性系数：pearson, spearman, kendall，他们反应的都是两个变量之间变化趋势的方向以及程度，其值范围为-1到+1。
0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。

1. person correlation coefficient（皮尔森相关性系数）
    皮尔逊相关系数通常用r或ρ表示，度量两变量X和Y之间相互关系（线性相关）(1)公式
   皮尔森相关性系数的值等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积(σX, σY)。(2)数据要求
   a.正态分布
     它是协方差与标准差的比值，并且在求皮尔森相关性系数以后，通常还会用t检验之类的方法来进行皮尔森相关性系数检验，而t检验是基于数据呈正态分布的假设的。 
   b.实验数据之间的差距不能太大
     比如：研究人跑步的速度与心脏跳动的相关性，如果人突发心脏病，心跳为0（或者过快与过慢），那这时候我们会测到一个偏离正常值的心跳，如果我们把这个值也放进去进行相关性分析，它的存在会大大干扰计算的结果的。(3)实例代码

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

import pandas as pd import numpy as np    #原始数据 X1=pd.Series([1, 2, 3, 4, 5, 6]) Y1=pd.Series([0.3, 0.9, 2.7, 2, 3.5, 5])    X1.mean() #平均值# 3.5 Y1.mean() #2.4 X1.var() #方差#3.5 Y1.var() #2.9760000000000004    X1.std() #标准差不能为0# 1.8708286933869707 Y1.std() #标准差不能为0#1.725108692227826 X1.cov(Y1) #协方差#3.0600000000000005    X1.corr(Y1,method="pearson") #皮尔森相关性系数 #0.948136664010285 X1.cov(Y1)/(X1.std()*Y1.std()) #皮尔森相关性系数 # 0.948136664010285

    斯皮尔曼相关性系数，通常也叫斯皮尔曼秩相关系数。“秩”，可以理解成就是一种顺序或者排序，那么它就是根据原始数据的排序位置进行求解

   首先对两个变量（X, Y）的数据进行排序，然后记下排序以后的位置（X’, Y’），（X’, Y’）的值就称为秩次，秩次的差值就是上面公式中的di，n就是变量中数据的个数，最后带入公式就可求解结果。
   因为是定序，所以我们不用管X和Y这两个变量具体的值到底差了多少，只需要算一下它们每个值所处的排列位置的差值，就可以求出相关性系数了

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

import pandas as pd import numpy as np    #原始数据 X1=pd.Series([1, 2, 3, 4, 5, 6]) Y1=pd.Series([0.3, 0.9, 2.7, 2, 3.5, 5])    #处理数据删除Nan x1=X1.dropna() y1=Y1.dropna() n=x1.count() x1.index=np.arange(n) y1.index=np.arange(n)    #分部计算 d=(x1.sort_values().index-y1.sort_values().index)**2 dd=d.to_series().sum()    p=1-n*dd/(n*(n**2-1))    #s.corr()函数计算 r=x1.corr(y1,method='spearman') print(r,p) #0.942857142857143 0.9428571428571428

  3. kendall correlation coefficient（肯德尔相关性系数）

    肯德尔相关性系数，又称肯德尔秩相关系数，它也是一种秩相关系数，不过它所计算的对象是分类变量。 
    分类变量可以理解成有类别的变量，可以分为：
    (1) 无序的，比如性别（男、女）、血型（A、B、O、AB）； 
    (2) 有序的，比如肥胖等级（重度肥胖，中度肥胖、轻度肥胖、不肥胖）。 
    通常需要求相关性系数的都是有序分类变量。

   R=（P-(n*(n-1)/2-P))/(n*(n-1)/2)=(4P/(n*(n-1)))-1
   注：设有n个统计对象，每个对象有两个属性。将所有统计对象按属性1取值排列，不失一般性，设此时属性2取值的排列是乱序的。设P为两个属性值排列大小关系一致的统计对象对数
   类别数据或者可以分类的数据

1 2 3 4 5 6 7

import pandas as pd import numpy as np    #原始数据 x= pd.Series([3,1,2,2,1,3]) y= pd.Series([1,2,3,2,1,1]) r = x.corr(y,method="kendall") #-0.2611165

到此，相信大家对“pearson, spearman与kendall的关系是什么”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！

文章名称：pearson,spearman与kendall的关系是什么-创新互联
当前路径：http://scgulin.cn/article/hosdh.html