Python SciPy mstats.pearsonr用法及代碼示例

本文簡要介紹 python 語言中 scipy.stats.mstats.pearsonr 的用法。

用法:

scipy.stats.mstats.pearsonr(x, y)#

用於測試非相關性的 Pearson 相關係數和 p 值。

皮爾遜相關係數 [1] 衡量兩個數據集之間的線性關係。 p 值的計算依賴於每個數據集呈正態分布的假設。 (有關輸入非正態性對相關係數分布的影響的討論，請參閱 Kowalski [3]。)與其他相關係數一樣，該係數在 -1 和 +1 之間變化，其中 0 表示不相關。 -1 或 +1 的相關性意味著精確的線性關係。

參數 ：：

x： (N,) 數組

輸入數組。

y： (N,) 數組

輸入數組。

返回 ：：

r： 浮點數

皮爾遜相關係數。

p-value： 浮點數

Two-tailed p 值。

警告 ：：

ConstantInputWarning

如果輸入是常量數組，則引發。這種情況下沒有定義相關係數，所以返回np.nan。

NearConstantInputWarning

如果輸入是“nearly” 常量，則引發。如果 norm(x - mean(x)) < 1e-13 * abs(mean(x)) ，則數組 x 被認為幾乎是恒定的。在這種情況下，計算x - mean(x) 中的數值錯誤可能會導致 r 的計算不準確。

注意：

相關係數計算如下：

\[r = \frac{\sum (x - m_x) (y - m_y)} {\sqrt{\sum (x - m_x)^2 \sum (y - m_y)^2}}\]

其中 \(m_x\) 是向量 x 的平均值，\(m_y\) 是向量 y 的平均值。

假設x和y取自獨立正態分布(所以總體相關係數為0)，樣本相關係數r的概率密度函數為([1]，[2])：

\[f(r) = \frac{{(1-r^2)}^{n/2-2}}{\mathrm{B}(\frac{1}{2},\frac{n}{2}-1)}\]

其中 n 是樣本數，B 是 beta 函數。這有時被稱為 r 的精確分布。這是 pearsonr 中用於計算 p 值的分布。該分布是區間 [-1, 1] 上的 beta 分布，具有相等的形狀參數 a = b = n/2 - 1。就 SciPy 對 beta 分布的實現而言，r 的分布為：

dist = scipy.stats.beta(n/2 - 1, n/2 - 1, loc=-1, scale=2)

pearsonr 返回的 p 值是雙邊 p 值。 p 值粗略地表示不相關係統生成的數據集的 Pearson 相關性至少與根據這些數據集計算出的相關性一樣極端的概率。更準確地說，對於相關係數為 r 的給定樣本，p 值是從相關性為零的總體中抽取的隨機樣本 x' 和 y' 的 abs(r') 大於或等於 abs(r') 的概率r)。就上麵顯示的對象 dist 而言，給定 r 和長度 n 的 p 值可以計算為：

p = 2*dist.cdf(-abs(r))

當n為2時，上述連續分布沒有明確定義。人們可以將 beta 分布的極限解釋為形狀參數 a 和 b 接近 a = b = 0 作為在 r = 1 和 r = -1 處具有相等概率質量的離散分布。更直接地，我們可以觀察到，給定數據 x = [x1, x2] 和 y = [y1, y2]，並假設 x1 != x2 且 y1 != y2，r 唯一可能的值為 1 和 -1 。由於長度為 2 的任何樣本 x’ 和 y’ 的 abs(r’) 將為 1，因此長度為 2 的樣本的兩側 p 值始終為 1。

參考：

[1] (1,2)

“Pearson correlation coefficient”，維基百科，https://en.wikipedia.org/wiki/Pearson_correlation_coefficient

[2]

學生，“相關係數的可能誤差”，Biometrika，第 6 卷，第 2-3 期，1908 年 9 月 1 日，第 302-310 頁。

[3]

C. J. Kowalski，“關於非正態性對樣本 Product-Moment 相關係數分布的影響”皇家統計學會雜誌。係列 C(應用統計)，卷。 21，第 1 期(1972 年)，第 1-12 頁。

例子：

>>> import numpy as np
>>> from scipy import stats
>>> from scipy.stats import mstats
>>> mstats.pearsonr([1, 2, 3, 4, 5], [10, 9, 2.5, 6, 4])
(-0.7426106572325057, 0.1505558088534455)

如果 y = a + b*x + e，則 x 和 y 之間存在線性相關性，其中 a,b 是常數，e 是隨機誤差項，假定與 x 無關。為簡單起見，假設 x 是標準正態，a=0，b=1，讓 e 服從均值為零且標準差 s>0 的正態分布。

>>> s = 0.5
>>> x = stats.norm.rvs(size=500)
>>> e = stats.norm.rvs(scale=s, size=500)
>>> y = x + e
>>> mstats.pearsonr(x, y)
(0.9029601878969703, 8.428978827629898e-185) # may vary

這應該接近給出的確切值

>>> 1/np.sqrt(1 + s**2)
0.8944271909999159

對於 s=0.5，我們觀察到高度相關。一般來說，較大的噪聲方差會降低相關性，而當誤差的方差變為零時，相關性會接近 1。

重要的是要記住，除非 (x, y) 是共同正態的，否則沒有相關性並不意味著獨立。當存在非常簡單的依賴結構時，相關性甚至可以為零：如果 X 遵循標準正態分布，則令 y = abs(x)。請注意，x 和 y 之間的相關性為零。實際上，由於 x 的期望為零，所以 cov(x, y) = E[x*y]。根據定義，這等於 E[x*abs(x)]，對稱性為零。以下代碼行說明了這一觀察結果：

>>> y = np.abs(x)
>>> mstats.pearsonr(x, y)
(-0.016172891856853524, 0.7182823678751942) # may vary

非零相關係數可能會產生誤導。例如，如果 X 具有標準正態分布，則如果 x < 0 則定義 y = x，否則定義 y = 0。一個簡單的計算表明 corr(x, y) = sqrt(2/Pi) = 0.797…，意味著高度相關：

>>> y = np.where(x < 0, x, 0)
>>> mstats.pearsonr(x, y)
(0.8537091583771509, 3.183461621422181e-143) # may vary

這是不直觀的，因為如果 x 大於零，則 x 和 y 沒有依賴性，如果我們對 x 和 y 進行采樣，大約有一半的情況會發生這種情況。