python计算相关性的学习笔记
本文从连续性数据和分类数据来分别展开计算变量间的相关性系数,其中分类变量的相关性系数计算较为复杂,运用了两种方法:(1)根据熵来算相关系数;(2)根据Gini系数计算相关系数
其中连续性数据相关性分析的数据源来自:百度网盘,相应的课程来源:慕课网
数据源
共包括10个变量,如下:satisfaction_level(满意度),last_evaluation(上司评价),number_project(项目数量),average_monthly_hours(每月工作市场),time_spend_company(在公司的时间),Work_accident(工作事故),left(离职率),promotion_last_5years(五年内是否晋升),department(部门),salary(工资高低)。
一.连续性数据
连续性数据可用相关系数直接衡量。
import pandas as pd
import numpy as np
import scipy.stats as ss
import matplotlib.pyplot as plt
import seaborn as sns
#导入相应的模块
sns.set_context(font_scale=1.5)
#设置字体大小为1.5倍
df=pd.read_csv(r'C:\Users\me\Desktop\HR.csv')
#读入数据
df=df.dropna(how='any',axis=0)
#删除缺失值
df=df[df['last_evaluation']<=1][df['salary']!='nme'][df['department']!='sale']
#删除异常值
sns.heatmap(df.corr(),vmin=-1,vmax=1,cmap=sns.color_palette('RdBu',n_colors=128))
#画热力图,图例最小值 -1,最大值1,颜色对象设为红蓝('RdBu'),颜色数目为128
plt.show()
蓝色代表接近1(正相关),红色代表接近于-1(负相关),颜色越深,相关性越强。
二.离散型数据
两类离散属性数据的相关性,只有两个分类,可编码为1或0,可用皮尔逊系数或Gini系数来计算。
多类离散属性数据如果为定序数据,可编码成0,1,2,3…,然后计算皮尔逊相关系数,但结果会存在失真。
更普遍的是,使用熵这个定义计算离散数据的相关性。
1.根据熵来算相关系数
名词解读
(1)熵(信息熵)
熵定义为:信息的数学期望。
熵越大,就越无序,越混乱。概率确定事件熵最小 = 0,随机事件 X 可以取的值越多,对应的熵值越大,也就是通常说的越“混乱”。
样本都属于一个类别,熵为0,样本的类别越多,分别越均匀,信息熵越大。
举例
已知事件X 的概率分布:p(x0)=1,p(x1)=0
x0 | x1 |
---|---|
1 | 0 |
计算 X 的熵。
根据公式,熵 H 是信息的期望,先求信息:
l(x0) = -log2(p(x0)) = -log2(1) = 0
l(x1) = -log2(0) = -Infinity
所以 H = l(x0) * p(x0) + l(x1) * p(x1) = 0 * 1 - 0 * Infinity = 0
结果与确定事件熵为 0 相吻合。
已知事件 X 的概率分布:p(x0)=0.5,p(x1)=0.5,计算 X 的熵。
l(x0) = l(x1) = -log2(0.5) = 1
H = 0.5 * 1 + 0.5 * 1 = 1
可见不确定事件比确定事件熵要大,即数据更混乱。
已知事件 X 的概率分布:x0=1/3 x2=1/3 x3=1/3,计算 X 的熵。
首先直觉上猜测一下这次 X 取三个值,比上一次更混乱,熵应该更大才对。
l(x0) = l(x1) = l(x2) = -log2(1/3) = 1.585
H = 3 * 1.585 * 1/3 = 1.585
可见:
确定事件熵最小 = 0;
随机事件 X 可以取的值越多,对应的熵值越大,也就是通常说的越“混乱”。
(2)条件熵
X条件下Y的条件熵表示在X条件下,Y 的不确定性程度。条件熵相对于原来的熵,会有所下降。
(3)互信息(熵增益)
互信息的含义是这个过程中减少的熵,X与Y的互信息和Y与X的互信息是一致的。互信息也可叫做信息增益,缺点是对分类比较多的数据,有不正确的偏向,不具有归一化的特点,不确定性上不封顶,对于分类和相关性的界定不太方便。
(4)熵增益率
熵的增益率为熵的互信息除以Y的熵,由于熵的互信息小于Y的熵,所以这个值小于1,又由于熵的值大于0,所以该值大于0,所以能得到一个0~1的值。但由于熵的增益率不对称 ,也就是说X对Y的熵的增益率与Y对X的熵的增益率是不一致的,所以也不能用来进行衡量两者之间的相关性,需要对其进行转化,转化为以下形式。
(5)相关性
2.实例分析
(1)计算熵
s1=pd.Series(['X1','X1','X2','X2','X2','X2'])
s2=pd.Series(['Y1','Y1','Y1','Y2','Y2','Y2'])
#建立两个数组
def getEntropy(s): #定义熵
if not isinstance(s,pd.core.series.Series):
s=pd.Series(s) #把不是数组的数据转化为数组
prt_ary=pd.groupby(s,by=s).count().values/float(len(s)) #得到概率分布
return -(np.log2(prt_ary)*prt_ary),sum() #求和,得出熵
print('Entropy:',getEntropy(s1)) #输出s1的熵
结果为:
(2)计算条件熵
def getCondEntropy(s1,s2): #定义s1的条件s2的熵
d=dict() #定义一个字典结构体
for i in list(range(len(s1))):
d[s1[i]]=d.get(s1[i],[])+[s2[i]] #key是s1的值,value是一个数组,为s2的值,记录了s1的值下s2的分布
return sum([getEntropy(d[k])*len(d[k]/float(len(s1)) for k in d)])
print('CondEntropy',getCondEntropy(s1,s2)) #输出条件熵
输出结果为:
(3)计算熵增益
def getEntropyGain(s1,s2):
return getEntropy(s2)-getCondEntropy(s1,s2) #s2的熵减s2条件下s1的熵
print('EntropyGain',getEntropyGain(s1,s2))
输出结果:
(4)熵增益率
def getEntropyGainRatio(s1,s2):
return getEntropyGainRatio(s1,s2)/getEntropy(s2) #熵增益除以熵
print('EntropyGainRatio',getEntropyGainRatio(s1,s2))
输出结果:
(5)相关性
import math 引入math包,求开方需要用到
def getDiscreteCorr(s1,s2):
return getEntropyGain(s1,s2)/math.sqrt(getEntropy(s1)*getEntropy(s2))
print('DiscreteCorr',getDiscreteCorr(s1,s2))
输出结果:
这样,就得出了离散值之间的相关性度量了。
2.根据Gini系数计算相关系数
基尼系数和熵都有着类似的特质,它们都可以用来衡量信息的不确定性。
基尼系数的特质是:
(1)类别个数越少,基尼系数越低;
(2)类别个数相同时,类别集中度越高,基尼系数越低。
(3)当类别越少,类别集中度越高的时候,基尼系数越低;当类别越多,类别集中度越低的时候,基尼系数越高。
【类别集中度是指类别的概率差距,0.9+0.1的概率组合,比起0.5+0.5的概率组合集中度更高】
Gini系数计算公式如下:
def getProbSS(s): #定义求概率平方和的函数
if not isinstance(s, pd.core.series.Series):
s = pd.Series(s)
prt_ary = pd.groupby(s, by=s).count().values / float(len(s)) #取它的分布
return sum(prt_ary**2) #取它的平方和
def getGini(s1,s2): #与条件熵的算法类似
d=dict()
for i in list(range(len(s1))):
d[s1[i]]=d.get(s1[i],[])+[s2[i]]
return 1-sum([getProbSS(d[k])*len(d[k])/float(len(s1)) for k in d])
print('Gini',getGini(s1,s2))
输出结果为:
上一篇: 如何重命名Git本地和远程分支名称?