Python 三变量相关分析：将一个变量分类为区间，以实现其他两个变量之间更好的相关性 以下和我无法理解约翰逊Neman（JN]区间计算方法，我正在考虑走出方框，并考虑其他算法做三变量（多元变量之间的三个变量）的相关性分析。考虑下面的熊猫数据帧： 将numpy导入为np 作为pd进口熊猫 将matplotlib.pyplot作为plt导入 从scipy.stats导入pearsonr、spearmanr、kendalltau、PointBiserial np.随机种子（42） x1=np.随机随机随机数（10）*10 x2=np.随机随机随机数（10）*10 x3=np.随机.兰德（10）*10 x=np.连接（（x1，x2，x3）） y1=1.5*x1+（np.随机.兰德（10）-0.5）*3.5 y2=0.5*x2+（np.随机随机数.兰德（10）-0.5）*4.1 y3=3.0*x3+（np.随机.兰德（10）-0.5）*2.4 y=np.连接（（y1，y2，y3）） M=[1.5,5.5] m1=np.rand.rand（10）*M[0] m2=np.rand.rand（10）*（M[1]-M[0]）+M[0] m3=np.随机兰特（10）*2+M[1] m=np.连接（（m1，m2，m3）） df=pd.DataFrame（{'X'：X，'Y'：Y，'M'：M}） df=df.样本（分形=1）.重置索引（下降=真）

现在我需要一个函数：

classify\u主持人（dataframe=df，predictor=“x”，response=“y”，主持人=“m”）

它为

m

返回一个或多个值的列表，该列表将数据帧划分为两个或多个显著相关组。例如，对于上述数据帧，我们应该得到

M=[1.5,5.5]

，其中

df[“M”]

，

M[0]

，和

M[1]

组

df[“x”

和

df[“y”]

在双变量相关分析算法方面，如Pearson、Kendall、Spearman和点双列方法，比总数据框架更强。重要的是，我们不知道到底有多少感兴趣的分区。它可以是两个或更多。但如果它使方法变得不必要的复杂，我们也可以假设这个数字

与启发式方法相比，我更喜欢传统方法（例如，

scipy.optimize

module），因为它们可以帮助我更好地理解基础数学，但在其他方面也很受欢迎。提前感谢您的支持

p.S.1.这里是我第一次尝试分成两组失败：

def groupedCor（modValue、数据帧、预测器、响应、调节器）：
df1=dataframe.loc[dataframe[主持人]df2=dataframe.loc[modValue我没有投票关闭，但这似乎更适合@JoshFriedlander，我确实先在那里发布了，这是帖子中提到的第一个链接。我没有投票关闭，但这似乎更适合@JoshFriedlander，我确实先在那里发布了，这是帖子中提到的第一个链接。