Python 具有不同列名的数据帧上的pd.corrwith

我想以一种有效的方式得到x1和y中三列中的每一列之间的皮尔逊r

似乎pd.corrwith（）只能对具有完全相同列标签的列（例如x和y）进行计算

这似乎有点不切实际，因为我认为计算不同变量之间的相关性是一个常见问题

In [1]: import pandas as pd; import numpy as np

In [2]: x = pd.DataFrame(np.random.randn(5,3),columns=['A','B','C'])

In [3]: y = pd.DataFrame(np.random.randn(5,3),columns=['A','B','C'])

In [4]: x1 = pd.DataFrame(x.ix[:,0])

In [5]: x.corrwith(y)
Out[5]:
A   -0.752631
B   -0.525705
C    0.516071
dtype: float64

In [6]: x1.corrwith(y)
Out[6]:
A   -0.752631
B         NaN
C         NaN
dtype: float64

您可以这样做（使用

np.random.seed（0）

）：

要获得此结果，请执行以下操作：

A   -0.509
B    0.041
C   -0.732

---

您可以使用

DataFrame.corrwith（Series）

而不是

DataFrame.corrwith（DataFrame）

来完成您想要的：

或者，您可以在

x

的每一列和

y

的每一列之间形成相关矩阵，如下所示：

In [214]: pd.expanding_corr(x, y, pairwise=True).iloc[-1, :, :]
Out[214]:
          A         B         C
A  0.347629 -0.480474 -0.729303
B -0.334814  0.778019  0.654583
C -0.453273  0.212057  0.149544

---

唉

DataFrame.corrwith（）

没有

pairwise=True

选项。

pd.expansing\u corr在最新版本中似乎已删除：/

In [203]: x1 = x['A']

In [204]: y.corrwith(x1)
Out[204]:
A    0.347629
B   -0.480474
C   -0.729303
dtype: float64

In [214]: pd.expanding_corr(x, y, pairwise=True).iloc[-1, :, :]
Out[214]:
          A         B         C
A  0.347629 -0.480474 -0.729303
B -0.334814  0.778019  0.654583
C -0.453273  0.212057  0.149544