Numpy Python中cor.test的R的等价物

有没有办法在Python中找到r置信区间

在R中，我可以做如下操作：

cor.test(m, h)

    Pearson's product-moment correlation

data:  m and h
t = 0.8974, df = 4, p-value = 0.4202
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.6022868  0.9164582
sample estimates:
      cor 
0.4093729

在Python中，我可以使用以下公式计算r cor：

r,p = scipy.stats.pearsonr(df.age, df.pets)

---

但这不会返回r置信区间。

这里有一种计算内部置信区间的方法

首先得到皮尔逊的相关值

In [85]: from scipy import stats

In [86]: corr = stats.pearsonr(df['col1'], df['col2'])

In [87]: corr
Out[87]: (0.551178607008175, 0.0)

使用Fisher变换得到z

In [88]: z = np.arctanh(corr[0])

In [89]: z
Out[89]: 0.62007264620685021

西格玛值，即标准误差

In [90]: sigma = (1/((len(df.index)-3)**0.5))

In [91]: sigma
Out[91]: 0.013840913308956662

应用双边条件公式得到正态连续随机变量的正态95%区间概率密度函数

In [92]: cint = z + np.array([-1, 1]) * sigma * stats.norm.ppf((1+0.95)/2)

最后取双曲正切，得到95%的区间值

In [93]: np.tanh(cint)
Out[93]: array([ 0.53201034,  0.56978224])

---

谢谢，这就解决了。我想知道为什么以及statsmodels和/或scipy是否还没有提供此功能。我也很惊讶，或者我对堆栈的搜索不够好。有任何更新吗？理想情况下，应该有一个单线性scipy函数来计算，而不是您上面提供的八线性方法。