Question

给定一个pandas数据帧df，获得其列df.1和df.2之间的相关性的最佳方法是什么？

我不希望输出计算NaN行，pandas内置关联。但是我也希望它输出pvalue或标准错误，内置的错误没有。

SciPy似乎被NaN追上了，但我相信它确实具有重要意义。

数据示例：

     1           2
0    2          NaN
1    NaN         1
2    1           2
3    -4          3
4    1.3         1
5    NaN         NaN

Answer 1

您可以使用scipy.stats相关函数来获取p值。

例如，如果您正在寻找Pearson相关性等相关性，则可以使用pearsonr函数。

from scipy.stats import pearsonr
pearsonr([1, 2, 3], [4, 3, 7])

提供输出

(0.7205766921228921, 0.48775429164459994)

元组中的第一个值是相关值，第二个值是p值。

在您的情况下，您可以使用pandas的dropna函数首先删除NaN值。

df_clean = df[['column1', 'column2']].dropna()
pearsonr(df_clean['column1'], df_clean['column2'])

Answer 2

@Shashank提供的答案很好。但是，如果您想要纯pandas的解决方案，您可能会喜欢这样：

import pandas as pd
from pandas.io.data import DataReader
from datetime import datetime
import scipy.stats  as stats


gdp = pd.DataFrame(DataReader("GDP", "fred", start=datetime(1990, 1, 1)))
vix = pd.DataFrame(DataReader("VIXCLS", "fred", start=datetime(1990, 1, 1)))

#Do it with a pandas regression to get the p value from the F-test
df = gdp.merge(vix,left_index=True, right_index=True, how='left')
vix_on_gdp = pd.ols(y=df['VIXCLS'], x=df['GDP'], intercept=True)
print(df['VIXCLS'].corr(df['GDP']), vix_on_gdp.f_stat['p-value'])

结果：

-0.0422917932738 0.851762475093

与统计数据功能相同：

#Do it with stats functions. 
df_clean = df.dropna()
stats.pearsonr(df_clean['VIXCLS'], df_clean['GDP'])

结果：

  (-0.042291793273791969, 0.85176247509284908)

为了扩展到更多的可用性，我给你一个丑陋的循环方法：

#Add a third field
oil = pd.DataFrame(DataReader("DCOILWTICO", "fred", start=datetime(1990, 1, 1))) 
df = df.merge(oil,left_index=True, right_index=True, how='left')

#construct two arrays, one of the correlation and the other of the p-vals
rho = df.corr()
pval = np.zeros([df.shape[1],df.shape[1]])
for i in range(df.shape[1]): # rows are the number of rows in the matrix.
    for j in range(df.shape[1]):
        JonI        = pd.ols(y=df.icol(i), x=df.icol(j), intercept=True)
        pval[i,j]  = JonI.f_stat['p-value']

rho的结果：

             GDP    VIXCLS  DCOILWTICO
 GDP         1.000000 -0.042292    0.870251
 VIXCLS     -0.042292  1.000000   -0.004612
 DCOILWTICO  0.870251 -0.004612    1.000000

pval的结果：

 [[  0.00000000e+00   8.51762475e-01   1.11022302e-16]
  [  8.51762475e-01   0.00000000e+00   9.83747425e-01]
  [  1.11022302e-16   9.83747425e-01   0.00000000e+00]]

Answer 3

To calculate all the p-values at once, you can use the below calculate_pvalues function:

df = pd.DataFrame({'A':[1,2,3], 'B':[2,5,3], 'C':[5,2,1], 'D':['text',2,3] })
calculate_pvalues(df)

The output is similar to the corr() (but with p-values):

        A       B       C
A       0  0.7877  0.1789
B  0.7877       0  0.6088
C  0.1789  0.6088       0

p-values are rounded to 4 decimals
Column D is ignored as it containts text.

Following is the code of the function:

from scipy.stats import pearsonr
import pandas as pd

def calculate_pvalues(df):
    df = df.dropna()._get_numeric_data()
    dfcols = pd.DataFrame(columns=df.columns)
    pvalues = dfcols.transpose().join(dfcols, how='outer')
    for r in df.columns:
        for c in df.columns:
            pvalues[r][c] = round(pearsonr(df[r], df[c])[1], 4)
    return pvalues

Answer 4

rho = df.corr()
rho = rho.round(2)
pval = calculate_pvalues(df) # toto_tico's answer
# create three masks
r1 = rho.applymap(lambda x: '{}*'.format(x))
r2 = rho.applymap(lambda x: '{}**'.format(x))
r3 = rho.applymap(lambda x: '{}***'.format(x))
# apply them where appropriate
rho = rho.mask(pval<=0.1,r1)
rho = rho.mask(pval<=0.05,r2)
rho = rho.mask(pval<=0.01,r3)
rho
# note I prefer readability over the conciseness of code, 
# instead of six lines it could have been a single liner like this:
# [rho.mask(pval<=p,rho.applymap(lambda x: '{}*'.format(x)),inplace=True) for p in [.1,.05,.01]]

Answer 5

我试图对函数中的逻辑求和，它可能不是最有效的方法，但会为您提供与pandas df.corr（）类似的输出。要使用它，只需在代码中添加以下函数，并调用它来提供数据框对象，即。 corr_pvalue（your_dataframe）

我已将值四舍五入到小数点后4位，如果您想要不同的输出，请更改圆函数中的值。

from scipy.stats import pearsonr
import numpy as np
import pandas as pd

def corr_pvalue(df):


    numeric_df = df.dropna()._get_numeric_data()
    cols = numeric_df.columns
    mat = numeric_df.values

    arr = np.zeros((len(cols),len(cols)), dtype=object)

    for xi, x in enumerate(mat.T):
        for yi, y in enumerate(mat.T[xi:]):
            arr[xi, yi+xi] = map(lambda _: round(_,4), pearsonr(x,y))
            arr[yi+xi, xi] = arr[xi, yi+xi]

    return pd.DataFrame(arr, index=cols, columns=cols)

我用pandas v0.18.1测试了它

Answer 6

这是 oztalha 非常有用的代码。我只是改变了格式（舍入到2位数），只要r不显着。

    rho = data.corr()
    pval = calculate_pvalues(data) # toto_tico's answer
    # create three masks
    r1 = rho.applymap(lambda x: '{:.2f}*'.format(x))
    r2 = rho.applymap(lambda x: '{:.2f}**'.format(x))
    r3 = rho.applymap(lambda x: '{:.2f}***'.format(x))
    r4 = rho.applymap(lambda x: '{:.2f}'.format(x))
    # apply them where appropriate --this could be a single liner
    rho = rho.mask(pval>0.1,r4)
    rho = rho.mask(pval<=0.1,r1)
    rho = rho.mask(pval<=0.05,r2)
    rho = rho.mask(pval<=0.01,r3)
    rho

Answer 7

@toto_tico和@ Somendra-joshi的不错答案。但是，它会丢弃不必要的NAs值。在此代码片段中，我只是删除了当前正在计算的相关性所属的NA。在实际的corr implementation中，它们执行相同的操作。

def calculate_pvalues(df):
    df = df._get_numeric_data()
    dfcols = pd.DataFrame(columns=df.columns)
    pvalues = dfcols.transpose().join(dfcols, how='outer')
    for r in df.columns:
        for c in df.columns:
            if c == r:
                df_corr = df[[r]].dropna()
            else:
                df_corr = df[[r,c]].dropna()
            pvalues[r][c] = pearsonr(df_corr[r], df_corr[c])[1]
    return pvalues

Answer 8

在pandas v0.24.0中，method参数被添加到corr中。现在，您可以执行以下操作：

import pandas as pd
import numpy as np
from scipy.stats import pearsonr

df = pd.DataFrame({'A':[1,2,3], 'B':[2,5,3], 'C':[5,2,1]})

df.corr(method=lambda x, y: pearsonr(x, y)[1]) - np.eye(len(df.columns))

          A         B         C
A  0.000000  0.787704  0.178912
B  0.787704  0.000000  0.608792
C  0.178912  0.608792  0.000000

请注意需要使用np.eye(len(df.columns))的解决方法，因为自相关始终设置为1.0（请参见https://github.com/pandas-dev/pandas/issues/25726）。

Answer 9

使用列表理解功能，在一行代码中：

>>> import pandas as pd
>>> from scipy.stats import pearsonr
>>> data = {'y':[0, 3, 2, 4, 3, 5, 4, 6, 5, 7, 6],
...         'x1':[0, 4, 2, 6, 2, 8, 6, 10, 4, 13, 5],
...         'x2':[0.0, 1.3, 0.2, 4.5, 1.3, 1.6, 3.5, 1.7, 1.6, 3.7, 1.7]}
>>> df = pd.DataFrame(data)
>>> pvals = pd.DataFrame([[pearsonr(df[c], df[y])[1] for y in df.columns] for c in df.columns],
...                      columns=df.columns, index=df.columns)
>>> pvals
           y        x1        x2
y   0.000000  0.000732  0.069996
x1  0.000732  0.000000  0.036153
x2  0.069996  0.036153  0.000000
>>>

我会对一种光滑的技术感兴趣，该技术可以将上述数据框与此相结合：

>>> df.corr()
           y        x1        x2
y   1.000000  0.857786  0.565208
x1  0.857786  1.000000  0.634093
x2  0.565208  0.634093  1.000000

所需的输出：

              y        x1        x2
y  c    1.000000  0.857786  0.565208
   p    (0.0000)  (0.0007)  (0.0699)
x1 c    0.857786  1.000000  0.634093
   p    (0.0007)  (0.0000)  (0.0361)
x2 c    0.565208  0.634093  1.000000
   p    (0.0699)  (0.0361)  (0.0000)

有多个索引，其中c行是相关系数，而p行则提供pvalue。

有没有人？

大熊猫列相关性具有统计学意义

9 个答案:

Following is the code of the function: