两个变量的相关性- - - 协方差与皮尔逊基相关系数

应用场景：在实际应用中，我们常常会想了解两个变量之间的关系
这里举一个简单的例子：一个商店的经理想确定，周末电视广告播放的次数与下周商店销售额之间的关系
我们使用：协方差和相关系数，作为衡量两个变量关系的方法

一 协方差的一些解释：

在坐标轴中，使用x_u、y_u画两条直线，会使数据分布在四个象限
当s_xy为正时，表示变量x、y是正的线性关系，即x增加，y增加
当s_xy为负时，表示变量x、y为负的线性关系，即x增加，y减小
当s_xy=0时，表示数据均匀的分布在四个象限中，两个变量基本没有相关性

二 皮尔逊基相关系数的一些解释：

如果变量x、y存在完全的线性关系时，所有的点在一条直线上，此时相关系数的值为 1(完全正线性关系) 或 -1(完全负线性关系)
当相关系数越接近0值，表示越若的线性关系，当相关系数为0时，表示两个变量没有相关性

三  一份简单的计算代码

import numpy as np

# 协方差的度量
def XFCWork(x, y):      # 注：使用这种方法时，两个变量属性相近，度量单位相同，否则会因为度量单
                        #位不同，x，y变量的数值会影响协方差的值

    n = len(x)      # 注意：这里的x与y的长度是相等的

    x_u = np.mean(x)     # 5.0
    y_u = np.mean(y)     # y_u= 713.4

    x1 = x - x_u       

最后

以上就是轻松春天为你收集整理的两个变量的相关性- - - 协方差与皮尔逊基相关系数的全部内容，希望文章能够帮你解决两个变量的相关性- - - 协方差与皮尔逊基相关系数所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。