如何在python中检查连续变量和分类变量之间的相关性?
我有一个数据集,包括分类变量(二进制)和连续变量。我试图用一个线性回归模型来预测一个连续变量。有人能告诉我如何检查分类变量和连续目标变量之间的相关性吗 当前代码:如何在python中检查连续变量和分类变量之间的相关性?,python,linear-regression,correlation,categorical-data,Python,Linear Regression,Correlation,Categorical Data,我有一个数据集,包括分类变量(二进制)和连续变量。我试图用一个线性回归模型来预测一个连续变量。有人能告诉我如何检查分类变量和连续目标变量之间的相关性吗 当前代码: import pandas as pd df_hosp = pd.read_csv('C:\Users\LAPPY-2\Desktop\LengthOfStay.csv') data = df_hosp[['lengthofstay', 'male', 'female', 'dialysisrenalendstage', 'asth
import pandas as pd
df_hosp = pd.read_csv('C:\Users\LAPPY-2\Desktop\LengthOfStay.csv')
data = df_hosp[['lengthofstay', 'male', 'female', 'dialysisrenalendstage', 'asthma', \
'irondef', 'pneum', 'substancedependence', \
'psychologicaldisordermajor', 'depress', 'psychother', \
'fibrosisandother', 'malnutrition', 'hemo']]
print data.corr()
除lengthofstay之外的所有变量都是分类变量。这是否可行?将分类变量转换为伪变量,并将变量放入numpy.array中。例如: data.csv:
age,size,color_head
4,50,black
9,100,blonde
12,120,brown
17,160,black
18,180,brown
提取数据:
import numpy as np
import pandas as pd
df = pd.read_csv('data.csv')
df:
将分类变量color\u head
转换为虚拟变量:
df_dummies = pd.get_dummies(df['color_head'])
del df_dummies[df_dummies.columns[-1]]
df_new = pd.concat([df, df_dummies], axis=1)
del df_new['color_head']
df\u新建:
把它放在numpy数组中:
x = df_new.values
计算相关性:
correlation_matrix = np.corrcoef(x.T)
print(correlation_matrix)
输出:
array([[ 1. , 0.99574691, -0.23658011, -0.28975028],
[ 0.99574691, 1. , -0.30318496, -0.24026862],
[-0.23658011, -0.30318496, 1. , -0.40824829],
[-0.28975028, -0.24026862, -0.40824829, 1. ]])
见:
到目前为止,您尝试了什么?向我们提供代码,并清楚地说明问题所在。这有助于您确定不同组(分类值)的平均值(连续值)是否具有显著不同的平均值。如果只有两组,请使用双侧t检验(成对或不成对)。按照本教程操作。我想这就是你想要的:@AdeelAhmad我已经添加了到目前为止我已经得到的代码。我得到的结果是一个矩阵,但我不确定这是否正确。就我所知,对于连续变量,这很有效。谢谢@Rockbar,但我有熊猫数据框中的数据,并且有多个包含大量观察值的列。方差分析在这里好吗?