spss如何进行pearson相关性分析,spss pearson相关性分析结果怎么看

　　皮尔逊检验系数与python实现

　　I .皮尔逊相关系数

　　皮尔逊相关系数是反映两个变量之间相似性的统计量。机器学习可以计算特征和类别之间的相似度，判断提取的特征和类别是正相关、负相关还是不相关。

　　皮尔逊系数在[-1，1]的范围内。值为负时，为负相关；当值为正时，为正相关。绝对值越大，正/负相关性越大。如果数据中没有重复值，并且两个变量完全单调相关，则spearman相关系数为1或-1。如果两个变量是独立的，相关系统为0，反之亦然。

　　人员相关系数有三种计算方法，如下式所示

　　这里x，y是两个特征的排列，是x，y的特征的平均值，在第一种形式的皮尔逊表示中，可以认为是两个随机变量导出的样本集向量之间夹角的余弦函数。

　　二。Python代码的实现

　　这里主要实现原来的人员格式代码。代码分为三个模块。第一个模块的功能是获得两个向量的平均值。第二个模块的功能是找出两个向量之间的皮尔逊系数，并返回皮尔逊系数。最后一个模块是找出所有特征和类的相似性。

　　[python]查看纯文本

　　#计算要素和类别的平均值

　　efcalcmean(x，y):

　　sum_x=sum(x)

　　sum_y=sum(y)

　　n=len(x)

　　x_mean=float(sum_x0.0 )/n

　　y_mean=float(sum_y0.0 )/n

　　returnx _均值，y _均值

　　[python]查看纯文本

　　人员系数的计算

　　defcalcpearson(x，y):

　　计算x_mean，y_mean=calcmean(x，y) #x，y向量的平均值

　　n=len(x)

　　sumTop=0.0

　　sumBottom=0.0

　　x_pow=0.0

　　y_pow=0.0

　　foriinrange(n):

　　sumtop=(x[I]-x _ mean)(*(y[I]-y _ mean))(*(y[I]-y _ mean)))

　　foriinrange(n):

　　x_pow=math.pow(x[I]-x_mean，2)).

　　foriinrange(n):

　　y_pow=math.pow(y[I]-y_mean，2)).

　　sum bottom=math . sqrt(x _ pow * y _ pow))。

　　p=sumTop/sumBottom

　　returnp

　　[python]查看纯文本

　　[python]查看纯文本

　　#计算每个特征的spearman系数并返回一个数组

　　Defcalcattribute(数据):

　　prr=[]

　　n，m=shape(dataset) #获取数据集的行数和列数

　　X=[0]*n#初始化特征X和类别Y向量

　　y=[0]*n

　　获取foriinrange(n) :#)类向量。

　　y[I]=数据集[i][m-1]

　　for range(M-1):#)获取每个特征的向量，计算皮尔逊系数并存储在列表中。

　　forkinrange(n):

　　x[k]=数据集[k][j]

　　PRR.append(calcspearman(x，y))

　　返回prr

　　三。示例演示

　　这里有1162*22个数据集。如下图所示，前21列代表特性，第22列代表类别。这个数据集是一个二元分类问题。

　　对于每个特性，调用上面的函数，得到如下图所示的每个特性的人员系数。基于得到的结果，特征选择有一定的依据~

　　我不干了。谢谢你。