pandas.Series.corr

Series.corr(other, method='pearson', min_periods=None)

计算与 other Series 的相关性，排除缺失值。

两个 Series 对象不要求长度相同，它们将在应用相关函数之前在内部对齐。

Parameters:

otherSeries

用于计算相关性的 Series。

<strong>method</strong>{‘pearson’, ‘kendall’, ‘spearman’} 或 callable

用于计算相关性的方法：

• pearson : 标准相关系数

• kendall : Kendall Tau 相关系数

• spearman : Spearman 秩相关系数

• callable: 带有两个一维 ndarrays 输入并返回一个浮点数的函数。

警告

请注意，corr 返回的矩阵在对角线上为 1，并且无论可调用函数的行为如何，它都将是对称的。

min_periodsint, optional

获得有效结果所需的最小观测数。

Returns:

float

与 other 的相关性。

参见

DataFrame.corr

计算列之间的成对相关性。

DataFrame.corrwith

计算与另一个 DataFrame 或 Series 的成对相关性。

Notes

Pearson、Kendall 和 Spearman 相关性目前使用成对完整观测值进行计算。

• Pearson correlation coefficient

• Kendall rank correlation coefficient

• Spearman’s rank correlation coefficient

自动数据对齐：与所有 pandas 操作一样，此方法执行自动数据对齐。corr() 自动考虑具有匹配索引的值。

Examples

>>> def histogram_intersection(a, b):
...     v = np.minimum(a, b).sum().round(decimals=1)
...     return v
>>> s1 = pd.Series([.2, .0, .6, .2])
>>> s2 = pd.Series([.3, .6, .0, .1])
>>> s1.corr(s2, method=histogram_intersection)
0.3

Pandas 自动对齐具有匹配索引的值

>>> s1 = pd.Series([1, 2, 3], index=[0, 1, 2])
>>> s2 = pd.Series([1, 2, 3], index=[2, 1, 0])
>>> s1.corr(s2)
-1.0