series.corr() 方法在 pandas 中是如何工作的？

大熊猫。用于计算排除缺失值的两个系列对象之间相关性的方法。结果，它返回一个从-1到1变化的浮点值。如果输出是整数1，表示两个系列之间的关系是强正关系，如果是“-1”，表示关系是强负相关。Series.corr()

该方法有三个参数第一个是另一个系列对象，第二个是关联方法的名称，第三个是可选的min_period。series.corr()

示例 1

import pandas as pd

# create pandas Series1
series1 = pd.Series([9,2,4,6,1])

print("第一个系列对象：",series1)

# create pandas Series2
series2 = pd.Series([12,4,2,7,4])

print("第二系列对象：",series2)

# calculate the correlation
print("相关值： ", series1.corr(series2, method='pearson'))

解释

最初，我们使用 Python 整数列表创建了两个 pandas Series 对象。之后，我们使用“Pearson”方法找出两个系列对象的值之间的相关性。

输出结果

第一个系列对象： 0 9
1 2
2 4
3 6
4 1
dtype: int64
第二系列对象： 0 12
1 4
2 2
3 7
4 4
dtype: int64
相关值： 0.8471600336634684

以下示例中两个系列对象之间的相关性为“0.85”，这表明这两个系列对象具有强正相关。

示例 2

import pandas as pd
import numpy as np
# create pandas Series1
series1 = pd.Series([12,np.nan,47,19,10])

print("第一个系列对象：",series1)

# create pandas Series2
series2 = pd.Series([9,4,2,np.nan,4])

print("第二系列对象：",series2)

# calculate the correlation
print("相关值： ", series1.corr(series2, method='pearson'))

解释

最初，我们使用 python 整数列表创建了两个 pandas Series 对象，并且它还具有一些由numpy.nan属性创建的空值。之后，我们再次使用“Pearson”方法找出两个系列对象的值之间的相关性。

输出结果

第一个系列对象：
0 12.0
1  NaN
2 47.0
3 19.0
4 10.0
dtype: float64

第二系列对象：
0 9.0
1 4.0
2 2.0
3 NaN
4 4.0
dtype: float64

相关值： -0.6864226486537492

下例中两个系列对象之间的相关性为“-0.69”，表示两个系列对象之间存在强负相关。