상관관계분석

상관계수(Correlation coefficient)

-두 변수가 얼마나 강하게 연결되어 있는지를 숫자로 표현

 

• 1에 가까울수록 두 변수가 같이 움직임
• -1에 가까울수록 반대로 움직임
• -0이면 서 관련 없음

1. 피어슨 상관분석(pearson correlation analysis): 가장 일반적인 상관 분석 방법
2. 스피어만 상관분석(Spearman correlation analysis): 두 변수가 정규성을 보이지 않을떄 사용하기 적합
3. 켄달 상관분석(Kendall correlation analysis): 스피어만 상관분석과 비슷하나 표본 데이터가 적고 동점이 많을때 사용하기 적합

 

<차이점>

 

 

1. 상관분석 데이터 준비

import pandas as pd
import matplotlib.pyplot as plt
# 리스트에 데이터 삽입하기
X = [1, 2, 3, 4, 5]
Y_linear = [2, 4, 6, 8, 10] # 선형 데이터
# 리스트를 데이터프레임으로 변환하기
data = {'X': X, 'Y_선형': Y_linear}
df = pd.DataFrame(data)
df

 

2. 그래프

# 그래프그리기
df.plot(x='X', y='Y_선형' )
 plt.show()

 

3. 피어슨 상관분석

# 피어슨상관분석수행하기(X와Y선형)
 coef_p = df.corr(method='pearson')
 print("피어슨상관계수(X와Y_linear):")
 print(coef_p)

 

4. 스피어만 상관분석

# 스피어만상관분석수행하기(X와Y선형)
 coef_s = df.corr(method='spearman')
 print("\n스피어만상관계수(X와Y_linear):")
 print(coef_s)

 

5. 켄달 상관분석

# 켄달상관분석수행하기(X와Y선형)
 coef_k = df.corr(method='kendall')
 print("\n켄달 상관계수(X와Y_linear):")
 print(coef_k)

 

 

 

 

 

#고수정 교수님 수업자료 참고