Python 单细胞多数据相关性分析

我有一个数据集，其中一些行包含单个答案，而另一些行包含多个答案。像这样：

       year  length  Animation
0      1971     121       1,2,3
1      1939      71       1,3
2      1941       7       0,2
3      1996      70       1,2,0
4      1975      71       3,2,0

对于单数答案，我设法使用df.corr（）创建了一个热图，但我不知道什么是多个答案行的最佳方法

我可以拆分它们并为每个答案添加额外的列，如：

           year  length  Animation
    0      1971     121       1
    1      1971     121       2
    2      1971     121       3
    3      1939      71       1
    4      1939      71       3 ...

然后执行完全相同的dr.corr（），或添加其他动画\u 01、动画\u 02。。。但是必须有一个更聪明的方法来解决这个问题吗

---

编辑：实际数据片段

要将

动画

（或

数据片段中的首选位置

）分解为一系列的一个热列，原始列中的每个唯一字符串对应一个热列。具有的每个列的值为零或一，其中一个对应于该字符串出现在原始列中的行

首先，您需要在

首选位置

中获得所有唯一的子字符串（有关如何处理列表列的信息，请参阅本文）

然后，您可以根据给定位置是否位于每行的

首选位置

，在循环中创建位置列

for position in positions:
    df[position] = df.Preferred_positions.apply(
        lambda x: 1 if position in x else 0
    )

---

您希望将

动画

（或数据片段中的

首选位置

）分解为一系列的一个热列，原始列中的每个唯一字符串对应一个热列。具有的每个列的值为零或一，其中一个对应于该字符串出现在原始列中的行

首先，您需要在

首选位置

中获得所有唯一的子字符串（有关如何处理列表列的信息，请参阅本文）

然后，您可以根据给定位置是否位于每行的

首选位置

，在循环中创建位置列

for position in positions:
    df[position] = df.Preferred_positions.apply(
        lambda x: 1 if position in x else 0
    )

---

您应该使用计算两个分类变量之间的频率表，并基于该表执行后续分析<当

x

和

y

中的一个是分类的时，无论是否编码为数字，code>df.corr（x，y）在数学上都没有意义

注意：1如果

x

是分类的，而

y

是数字的，则有两个选项来描述它们之间的联系：

将

y

分组为分位数（BIN），并将其视为分类

对

x

1个热编码虚拟变量执行

y

的线性回归

备选案文2一般更为精确，但统计数字超出了这一问题的范围。这篇文章将关注两个分类变量的情况

N.B.2有关稀疏矩阵输出，请参见

样品溶液 数据与预处理 频率表 注：为简单起见，忽略

长度的分组

ct = pd.crosstab(df["Animation"], df["length"])

print(ct)
# Out[65]:
# length     7    70   71   121
# Animation
# 0            1    1    1    0
# 1            0    1    1    1
# 2            1    1    1    1
# 3            0    0    2    1

形象化

实例分析
根据频率表，您可以询问关于给定某个（子集）
x
值的
y
分布的问题，反之亦然。这应该更好地描述两个分类变量之间的联系，因为分类变量没有顺序

比如说,

Q: What length does Animation=3 produces? 

A: 66.7% chance to give 71
   33.3% chance to give 121
   otherwise unobserved

您应该使用计算两个分类变量之间的频率表，并基于该表执行后续分析<当
x
和
y
中的一个是分类的时，无论是否编码为数字，code>df.corr（x，y）

在数学上都没有意义

注意：1如果

x

是分类的，而

y

是数字的，则有两个选项来描述它们之间的联系：

将

y

分组为分位数（BIN），并将其视为分类

对

x

1个热编码虚拟变量执行

y

的线性回归

备选案文2一般更为精确，但统计数字超出了这一问题的范围。这篇文章将关注两个分类变量的情况

N.B.2有关稀疏矩阵输出，请参见

样品溶液 数据与预处理 频率表 注：为简单起见，忽略

长度的分组

ct = pd.crosstab(df["Animation"], df["length"])

print(ct)
# Out[65]:
# length     7    70   71   121
# Animation
# 0            1    1    1    0
# 1            0    1    1    1
# 2            1    1    1    1
# 3            0    0    2    1

形象化

实例分析
根据频率表，您可以询问关于给定某个（子集）
x
值的
y
分布的问题，反之亦然。这应该更好地描述两个分类变量之间的联系，因为分类变量没有顺序

比如说,

Q: What length does Animation=3 produces? 

A: 66.7% chance to give 71
   33.3% chance to give 121
   otherwise unobserved

假设x=动画，那么corr（x，y）的y变量是什么？列出的数据只是示例数据。但可以是corr（动画，年份）或corr（动画，长度）。如果有帮助，可以发布实际数据片段。但我的问题基本上是如何对包含多行的行使用corr（）。不确定X是如何影响的。在底部添加了一段实际数据。我的例子是如何找到“当前排名”与“首选位置”或“当前排名”与“你最难处理的事情”之间的相关性。我这样问是因为在
df.corr（）
中放入分类变量没有意义。这三种关联方法都适用于数值变量。我不明白你想在数学上实现什么。啊，好吧，如果我错了，请随时纠正我。但是将字符串转换成整数以使用相关性，在数学上不是不正确吗？否则，人们将如何找到两个字符串之间的相关性，而不是与字符串值的相关性？由于X值的原因，Y值的可能性或多或少是一样的。假设X=动画，corr（X，Y）的Y变量是什么？列出的数据只是示例数据。但可以是corr（动画，年份）或corr（动画，长度）。如果有帮助，可以发布实际数据片段。但我的问题基本上是如何对包含多行的行使用corr（）。不确定X是如何影响的。在底部添加了一段实际数据。我的例子是如何