Pearson相关系数和Spearman相关系数的区别及说明
前言
相关系数是用以反映变量之间的相关关系程度的统计指标。
其取值范围是[-1,1]，当取值为0时表示不相关，取值为[-1,0)表示负相关，取值为(0,-1]，表示负相关。
目前常用的两种相关性系数为皮尔森相关系数（Pearson）和斯皮尔曼等级相关系数（Spearman）
简介
1.皮尔森相关系数评估两个连续变量之间的线性关系。
其中：
-1 ≤ p ≤ 1
p接近0代表无相关性
p接近1或-1代表强相关性
2.斯皮尔曼相关系数评估两个连续变量之间的单调关系。在单调关系中，变量趋于一起变化，但不一定以恒定速率变化。
其中：
N是观测值的总数量
斯皮尔曼另一种表达公式：
表示二列成对变量的等级差数。
区别
Pearson和Spearman相关系数的范围可以从-1到+1。
当Pearson相关系数为+1时，意味着，当一个变量增加时，另一个变量增加一致量。
这形成了一种递增的直线。
在这种情况下，Spearman相关系数也是+1。
如果关系是一个变量在另一个变量增加时增加，但数量不一致，则Pearson相关系数为正但小于+1。
在这种情况下，斯皮尔曼系数仍然等于+1。
当关系是随机的或不存在时，则两个相关系数几乎为零。
如果关系递减的直线，那么两个相关系数都是-1。
如果关系是一个变量在另一个变量增加时减少，但数量不一致，则Pearson相关系数为负但大于-1。
在这种情况下，斯皮尔曼系数仍然等于-1
相关值-1或1意味着精确的线性关系，如圆的半径和圆周之间的关系。
然而，相关值的实际价值在于量化不完美的关系。
发现两个变量是相关的经常通知回归分析，该分析试图更多地描述这种类型的关系。
其他非线性关系
Pearson相关系数仅评估线性关系。Spearman相关系数仅评估单调关系。
因此，即使相关系数为0，也可以存在有意义的关系。
检查散点图以确定关系的形式。
该图显示了非常强的关系。
Pearson系数和Spearman系数均约为0。
结论
皮尔森评估的是两个变量的线性关系，而斯皮尔曼评估的两变量的单调关系。
因此，斯皮尔曼相关系数对于数据错误和极端值的反应不敏感。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
今天小编就为大家分享一篇关于Python编程图形库之Pillow使用方法讲解，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2018-12-12
这篇文章主要介绍了Python实现的手机号归属地相关信息查询功能,涉及Python文件读取及基于第三方接口调用查询信息的相关操作技巧,需要的朋友可以参考下2017-06-06
今天小编就为大家分享一篇Python-while 计算100以内奇数和的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-06-06
这篇文章主要介绍了opencv python模糊影像检测,本文只使用cv2和shutil库，若想直接使用该脚本需安装这两个库，通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2022-03-03
这篇文章主要介绍了python画图常规设置方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-03-03
这篇文章主要为大家介绍了python调用系统中应用程序详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-06-06
队列是一种先进先出（First-In-First-Out，FIFO）的数据结构。队列被用在很多地方，比如提交操作系统执行的一系列进程、打印任务池等，一些仿真系统用队列来模拟银行或杂货店里排队的顾客。下面就介绍了Python中队列的应用实战，需要的可以参考。2017-02-02
这篇文章主要为大家介绍了python学习中字符串驻留与常量折叠的一些隐藏特性，并给大家进行了详细分析，有需要的朋友可以借鉴参考下，希望能够有所帮助2021-09-09
这篇文章主要介绍了python执行get提交的方法,实例分析了Python通过get传递数据的技巧,具有一定参考借鉴价值,需要的朋友可以参考下2015-04-04
在Python中,struct.unpack是一个函数,用于将字节串转换为元组,这个函数在处理二进制数据时非常有用,这篇文章主要介绍了Python中的struct.unpack示例详解,需要的朋友可以参考下2023-12-12
最新评论