Pandas сопоставление столбцов со статистической значимостью

Каков наилучший способ, с учетом pandas dataframe, df, получить корреляцию между его столбцами df.1 и df.2?

Я не хочу, чтобы результат подсчитывал строки с NaN, что делает pandas встроенная корреляция. Но я также хочу, чтобы он выводил pvalue или стандартную ошибку, которая не поддерживается встроенным.

SciPy, похоже, догнал NaNs, хотя я считаю, что он сообщает о значимости.

Пример данных:

     1           2
0    2          NaN
1    NaN         1
2    1           2
3    -4          3
4    1.3         1
5    NaN         NaN

Ответ 1

Ответ, предоставленный @Shashank, хорош. Однако, если вы хотите решение в чистом pandas, вам может понравиться следующее:

import pandas as pd
from pandas.io.data import DataReader
from datetime import datetime
import scipy.stats  as stats


gdp = pd.DataFrame(DataReader("GDP", "fred", start=datetime(1990, 1, 1)))
vix = pd.DataFrame(DataReader("VIXCLS", "fred", start=datetime(1990, 1, 1)))

#Do it with a pandas regression to get the p value from the F-test
df = gdp.merge(vix,left_index=True, right_index=True, how='left')
vix_on_gdp = pd.ols(y=df['VIXCLS'], x=df['GDP'], intercept=True)
print(df['VIXCLS'].corr(df['GDP']), vix_on_gdp.f_stat['p-value'])

Результаты:

-0.0422917932738 0.851762475093

Те же результаты, что и функция статистики:

#Do it with stats functions. 
df_clean = df.dropna()
stats.pearsonr(df_clean['VIXCLS'], df_clean['GDP'])

Результаты:

  (-0.042291793273791969, 0.85176247509284908)

Чтобы расширить доступ к большим количествам, я даю вам уродливый подход на основе цикла:

#Add a third field
oil = pd.DataFrame(DataReader("DCOILWTICO", "fred", start=datetime(1990, 1, 1))) 
df = df.merge(oil,left_index=True, right_index=True, how='left')

#construct two arrays, one of the correlation and the other of the p-vals
rho = df.corr()
pval = np.zeros([df.shape[1],df.shape[1]])
for i in range(df.shape[1]): # rows are the number of rows in the matrix.
    for j in range(df.shape[1]):
        JonI        = pd.ols(y=df.icol(i), x=df.icol(j), intercept=True)
        pval[i,j]  = JonI.f_stat['p-value']

Результаты rho:

             GDP    VIXCLS  DCOILWTICO
 GDP         1.000000 -0.042292    0.870251
 VIXCLS     -0.042292  1.000000   -0.004612
 DCOILWTICO  0.870251 -0.004612    1.000000

Результаты pval:

 [[  0.00000000e+00   8.51762475e-01   1.11022302e-16]
  [  8.51762475e-01   0.00000000e+00   9.83747425e-01]
  [  1.11022302e-16   9.83747425e-01   0.00000000e+00]]

Ответ 2

Вы можете использовать корреляционные функции scipy.stats, чтобы получить значение p.

Например, если вы ищете корреляцию, такую ​​как корреляция pearson, вы можете использовать функцию pearsonr.

from scipy.stats import pearsonr
pearsonr([1, 2, 3], [4, 3, 7])

Выдает вывод

(0.7205766921228921, 0.48775429164459994)

Где первое значение в кортеже - это значение корреляции, а второе - p-значение.

В вашем случае вы можете использовать функцию pandas 'dropna, чтобы сначала удалить значения NaN.

df_clean = df[['column1', 'column2']].dropna()
pearsonr(df_clean['column1'], df_clean['column2'])

Ответ 3

Для того, чтобы вычислить все р-значения в один раз, вы можете использовать ниже calculate_pvalues функции:

df = pd.DataFrame({'A':[1,2,3], 'B':[2,5,3], 'C':[5,2,1], 'D':['text',2,3] })
calculate_pvalues(df) 
  • Вывод похож на corr() (но с p-значениями):

            A       B       C
    A       0  0.7877  0.1789
    B  0.7877       0  0.6088
    C  0.1789  0.6088       0
    
  • p-значения округлены до 4 десятичных знаков

  • Столбец D игнорируется, так как содержит текст.
  • Вы также можете указать точные столбцы: calculate_pvalues(df[['A','B','C']]

Ниже приведен код функции:

from scipy.stats import pearsonr
import pandas as pd

def calculate_pvalues(df):
    df = df.dropna()._get_numeric_data()
    dfcols = pd.DataFrame(columns=df.columns)
    pvalues = dfcols.transpose().join(dfcols, how='outer')
    for r in df.columns:
        for c in df.columns:
            pvalues[r][c] = round(pearsonr(df[r], df[c])[1], 4)
    return pvalues

Ответ 4

rho = df.corr()
rho = rho.round(2)
pval = calculate_pvalues(df) # toto_tico answer
# create three masks
r1 = rho.applymap(lambda x: '{}*'.format(x))
r2 = rho.applymap(lambda x: '{}**'.format(x))
r3 = rho.applymap(lambda x: '{}***'.format(x))
# apply them where appropriate
rho = rho.mask(pval<=0.1,r1)
rho = rho.mask(pval<=0.05,r2)
rho = rho.mask(pval<=0.01,r3)
rho
# note I prefer readability over the conciseness of code, 
# instead of six lines it could have been a single liner like this:
# [rho.mask(pval<=p,rho.applymap(lambda x: '{}*'.format(x)),inplace=True) for p in [.1,.05,.01]]

Correlations with asterisks

Ответ 5

Я попытался суммировать логику в функции, это может быть не самый эффективный подход, но предоставит вам аналогичный вывод как pandas df.corr(). Чтобы использовать это, просто поместите в свой код следующую функцию и вызовите ее, предоставляя свой объект dataframe, т.е. corr_pvalue (your_dataframe).

Я округлил значения до 4 знаков после запятой, в случае, если вам нужен другой выход, пожалуйста, измените значение в круглой функции.

from scipy.stats import pearsonr
import numpy as np
import pandas as pd

def corr_pvalue(df):


    numeric_df = df.dropna()._get_numeric_data()
    cols = numeric_df.columns
    mat = numeric_df.values

    arr = np.zeros((len(cols),len(cols)), dtype=object)

    for xi, x in enumerate(mat.T):
        for yi, y in enumerate(mat.T[xi:]):
            arr[xi, yi+xi] = map(lambda _: round(_,4), pearsonr(x,y))
            arr[yi+xi, xi] = arr[xi, yi+xi]

    return pd.DataFrame(arr, index=cols, columns=cols)

Я тестировал его с помощью pandas v0.18.1

Ответ 6

Это был очень полезный код от oztalha. Я просто изменил форматирование (округленное до 2 цифр) везде, где r не было значимым.

    rho = data.corr()
    pval = calculate_pvalues(data) # toto_tico answer
    # create three masks
    r1 = rho.applymap(lambda x: '{:.2f}*'.format(x))
    r2 = rho.applymap(lambda x: '{:.2f}**'.format(x))
    r3 = rho.applymap(lambda x: '{:.2f}***'.format(x))
    r4 = rho.applymap(lambda x: '{:.2f}'.format(x))
    # apply them where appropriate --this could be a single liner
    rho = rho.mask(pval>0.1,r4)
    rho = rho.mask(pval<=0.1,r1)
    rho = rho.mask(pval<=0.05,r2)
    rho = rho.mask(pval<=0.01,r3)
    rho

Ответ 7

Отличные ответы от @toto_tico и @Somendra-joshi. Тем не менее, он отбрасывает ненужные значения NA. В этом фрагменте я просто отбрасываю NA, которые относятся к вычисляемой в данный момент корреляции. В реальной реализации corr они делают то же самое.

def calculate_pvalues(df):
    df = df._get_numeric_data()
    dfcols = pd.DataFrame(columns=df.columns)
    pvalues = dfcols.transpose().join(dfcols, how='outer')
    for r in df.columns:
        for c in df.columns:
            if c == r:
                df_corr = df[[r]].dropna()
            else:
                df_corr = df[[r,c]].dropna()
            pvalues[r][c] = pearsonr(df_corr[r], df_corr[c])[1]
    return pvalues

Ответ 8

В pandas v0.24.0 аргумент method был добавлен в corr. Теперь вы можете сделать:

import pandas as pd
import numpy as np
from scipy.stats import pearsonr

df = pd.DataFrame({'A':[1,2,3], 'B':[2,5,3], 'C':[5,2,1]})

df.corr(method=lambda x, y: pearsonr(x, y)[1]) - np.eye(len(df.columns)) 
          A         B         C
A  0.000000  0.787704  0.178912
B  0.787704  0.000000  0.608792
C  0.178912  0.608792  0.000000

Обратите внимание на обходной путь с np.eye(len(df.columns)) который необходим, потому что самокорреляции всегда установлены на 1.0 (см. Https://github.com/pandas-dev/pandas/issues/25726).