python中的相关矩阵答案

【问题标题】：correlation matrix in pythonpython中的相关矩阵
【发布时间】：2019-12-20 21:16:44
【问题描述】：

如何在 python 中计算相关矩阵？我有一个 n 维向量，其中每个元素都有 5 维。例如我的向量看起来像

[ [0.1, .32, .2, 0.4, 0.8], [.23, .18, .56, .61, .12], [.9, .3, .6, .5, .3], [.34, .75, .91, .19, .21] ]

在这种情况下，向量的维度是 4，并且该向量的每个元素都有 5 维度。如何用最简单的方式构造矩阵？

谢谢

【问题讨论】：

标签： python

【解决方案1】：

使用numpy，你可以使用np.corrcoef：

In [88]: import numpy as np

In [89]: np.corrcoef([[0.1, .32, .2, 0.4, 0.8], [.23, .18, .56, .61, .12], [.9, .3, .6, .5, .3], [.34, .75, .91, .19, .21]])
Out[89]: 
array([[ 1.        , -0.35153114, -0.74736506, -0.48917666],
       [-0.35153114,  1.        ,  0.23810227,  0.15958285],
       [-0.74736506,  0.23810227,  1.        , -0.03960706],
       [-0.48917666,  0.15958285, -0.03960706,  1.        ]])

【讨论】：

谢谢。对于我的实际应用程序，我收到以下错误 AttributeError: 'int' object has no attribute 'corrcoef'
听起来您已将np 定义为int。上面，numpy 已导入为np。您需要消除两者的歧义。
如何绘制相关矩阵。我尝试过使用以下函数 imshow(corr_matrix, interpolation='bilinear') colorbar() show() 图形矩阵的原点是 (0,n) 而不是 (0,0)。我怎样才能做到这一点。矩阵的维度是 5000X5000

【解决方案2】：

如果您不想重新编写矩阵，也可以使用 np.array。

import numpy as np
a = np.array([ [0.1, .32, .2,  0.4, 0.8], [.23, .18, .56, .61, .12], [.9,   .3,  .6,  .5,  .3],  [.34, .75, .91, .19, .21]]) 
b = np.corrcoef(a)
print b

【讨论】：

如果你想要列之间的关联，而不是行之间的关联，np.corrcoef(a.T)。

【解决方案3】：

这是使用 Python 计算多个时间序列的相关矩阵的pretty good example。包含的源代码使用 Pandas、NumPy 和 matplotlib 计算一组外汇货币对的相关矩阵，以生成相关图。

样本数据是一组历史数据文件，输出是单个相关矩阵和图。代码有很好的文档记录。

【讨论】：

【解决方案4】：

由于我几乎错过了@Anton Tarasenko 的评论，我将提供一个新的答案。所以给定你的数组：

a = np.array([[0.1, .32, .2,  0.4, 0.8], 
             [.23, .18, .56, .61, .12], 
             [.9,   .3,  .6,  .5,  .3],  
             [.34, .75, .91, .19, .21]])

如果你想要我假设的维度（列）的相关矩阵，你可以使用 numpy（注意转置！）：

import numpy as np
print(np.corrcoef(a.T))

或者如果你在 Pandas 中有它：

import pandas as pd
print(pd.DataFrame(a).corr())

都打印

array([[ 1.        , -0.03783885,  0.34905716,  0.14648975, -0.34945863],
      [-0.03783885,  1.        ,  0.67888519, -0.96102583, -0.12757741],
      [ 0.34905716,  0.67888519,  1.        , -0.45104803, -0.80429469],
      [ 0.14648975, -0.96102583, -0.45104803,  1.        , -0.15132323],
      [-0.34945863, -0.12757741, -0.80429469, -0.15132323,  1.        ]])

【讨论】：