分类变量和数值变量之间的相关性：TypeError

Question

我在计算分类变量和数值变量之间的相关性时遇到了一些问题。 我有一个数据集（head(5) 如下所示）：

    A     C   Label
0   a1  gt2016  0
1   a2  gt2016  0
2   b13 gt2016  0
3   a5  gt2016  1
4   b12 gt2016  1

我想找到 C 和 Label 之间的相关性。由于 C 包含分类变量，因此我使用了一个虚拟变量，如下所示：

df_dummies = pd.get_dummies(df['C'])
del df_dummies[df_dummies.columns[-1]]
df_new = pd.concat([df, df_dummies], axis=1)
del df_new['C]

但是，当我按如下方式计算相关性时

x = df_new.values
correlation_matrix = np.corrcoef(x.T)
print(correlation_matrix)

我收到此错误：

TypeError: unsupported operand type(s) for /: 'str' and 'int'

如果我错过了计算相关性以解决问题的步骤，您能告诉我吗？

Answer 1

回想一下，相关性被定义为

r = cov(X,Y) / sqrt(var(X) var(Y))

所以你不能与一个常数有相关性，因为它的方差是 0，而 C 总是 gt2016。但是假设有变化，下面的代码将用于获取 Label 和 C 的每个值之间的相关性：

df = pd.DataFrame({'A': ['a1', 'a2', 'b13', 'a5', 'b12'], 'C': ['gt2016']*4 + ['hi'], 'Label': [0,0,0,1,1]})

df_dummies = pd.get_dummies(df['C'])
df_new = pd.concat([df.drop('C', axis=1), df_dummies], axis=1)
df_new.corr()