如何使用Python轻松检查非线性关系？

我在数据框中有数据集。我构建了一个函数，返回一个数据帧，如下所示：

Feature_name_1   Feature_name_2   corr_coef   p-value
ABC              DCA              0.867327    0.02122 

所以它取自变量并返回它们的相关系数。 有什么简单的方法可以检查非线性关系吗？ 在上面的例子中，我使用了scipy-Pearson相关性，但我找不到如何检查非线性？我发现只有更复杂的方法，我想有一些简单的实现如上所述

---

如果该方法易于实现，就足够了。不必从其他特定软件包的scipy获得该方法。

将因变量回归到自变量上，并检查残差。如果你的残差显示出一种模式，那么很可能是一种非线性关系

也可能是您的模型缺少一个交叉项，或者可能从转换中获益，或者从这些方面受益。我可能错了，但我不知道有一个非线性的干切测试

快速谷歌搜索返回了这个，看起来它可能对你有用

---

编辑：根据下面的评论，这是一种非常通用的方法，有助于验证线性回归假设。

将因变量回归到自变量上，并检查残差。如果你的残差显示出一种模式，那么很可能是一种非线性关系

也可能是您的模型缺少一个交叉项，或者可能从转换中获益，或者从这些方面受益。我可能错了，但我不知道有一个非线性的干切测试

快速谷歌搜索返回了这个，看起来它可能对你有用

---

编辑：根据下面的评论，这是一种非常通用的方法，有助于验证线性回归假设。

我认为这个问题太宽泛，更适合交叉验证。SE独立性测试的问题非常宽泛且非常复杂。不过，您可以查看spearman rho，以及独立性的MMD测试。。。但是他们只能检测特定类型的依赖关系。我认为这个问题太广泛了，更适合交叉验证。SE独立性测试的问题非常广泛和复杂。不过，您可以查看spearman rho，以及独立性的MMD测试。。。但它们只能检测某些类型的依赖关系。您提出的方法还可以表明线性模型是合适的，但存在异方差误差。分析需要更加完整。是的，当然。我所描述的方法不仅适用于非线性。您提出的方法还可以表明线性模型是合适的，但存在异方差误差。分析需要更加完整。是的，当然。我所描述的方法不仅仅适用于非线性。