检测步骤如下：

Python案例解析：

数据准备：

import pandas as pd
import numpy as np
import scipy
import matplotlib.pyplot as plt
from pylab import mplmpl.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文字体
plt.rcParams['axes.unicode_minus'] = False  # 显示负号columns = {'A': "分行编号", 'B': "不良贷款(亿元)", 'C': "贷款余额(亿元)", 'D': "累计应收贷款(亿元)", 'E': "贷款项目个数", 'F': "固定资产投资额(亿元)"}
data = {"A": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25],"B": [0.9, 1.1, 4.8, 3.2, 7.8, 2.7, 1.6, 12.5, 1.0, 2.6, 0.3, 4.0, 0.8, 3.5, 10.2, 3.0, 0.2, 0.4, 1.0, 6.8,11.6, 1.6, 1.2, 7.2, 3.2],"C": [67.3, 111.3, 173.0, 80.8, 199.7, 16.2, 107.4, 185.4, 96.1, 72.8, 64.2, 132.2, 58.6, 174.6, 263.5, 79.3,14.8, 73.5, 24.7, 139.4, 368.2, 95.7, 109.6, 196.2, 102.2],"D": [6.8, 19.8, 7.7, 7.2, 16.5, 2.2, 10.7, 27.1, 1.7, 9.1, 2.1, 11.2, 6.0, 12.7, 15.6, 8.9, 0, 5.9, 5.0, 7.2,16.8, 3.8, 10.3, 15.8, 12.0],"E": [5, 16, 17, 10, 19, 1, 17, 18, 10, 14, 11, 23, 14, 26, 34, 15, 2, 11, 4, 28, 32, 10, 14, 16, 10],"F": [51.9, 90.9, 73.7, 14.5, 63.2, 2.2, 20.2, 43.8, 55.9, 64.3, 42.7, 76.7, 22.8, 117.1, 146.7, 29.9, 42.1,25.3, 13.4, 64.3, 163.9, 44.5, 67.9, 39.7, 97.1]}df = pd.DataFrame(data).rename(columns=columns)
print(df)

前十行数据如下：

1;绘制散点图，粗略查看相关关系

# 绘制散点图
df.plot(x='贷款余额(亿元)', y='不良贷款(亿元)', kind='scatter', title='不良贷款与贷款余额的散点图')df.plot(x='累计应收贷款(亿元)', y='不良贷款(亿元)', kind='scatter', title='不良贷款与累计应收贷款的散点图')df.plot(x='贷款项目个数', y='不良贷款(亿元)', kind='scatter', title='不良贷款与贷款项目个数的散点图')df.plot(x='固定资产投资额(亿元)', y='不良贷款(亿元)', kind='scatter', title='不良贷款与固定资产投资额的散点图')plt.show()

2:计算各变量之间的皮尔逊相关系数

# 计算各变量之间的相关系数
corr = df.drop(columns='分行编号').corr()
print(corr)

3：皮尔逊相关系数的显著性检验

步骤：1 计算各个相关系数检验的统计量 2 计算t分布临界值 3 比较

# 皮尔逊相关系数的显著性检验
# 各个相关系数检验的统计量
def r_test_statistic(r, n): """# 构建t分布  n:样本容量  r:相关系数"""if r == 1:return 0else:a = abs(r)b = np.sqrt((n - 2) / (1 - r ** 2))c = a * breturn c# 计算各个相关系数检验的统计量
corr_test_stat = corr.applymap(lambda x: r_test_statistic(x, len(df)))
print('--------------------------')
print(corr_test_stat)# 根据显著性水平0.05和自由度n-2=25-2=23， 计算t分布临界值
alpha = 0.05
t_score = stats.t.isf(alpha/2, df = len(df)-2)
print(t_score)

因为7.5>2.0686

得出结论：线性相关显著

相关系数显著性检验以及Python实例相关推荐

一文数学数模-相关性分析(二)斯皮尔曼相关(spearman)相关性分析一文详解+python实例代码
前言相关性分析算是很多算法以及建模的基础知识之一了,十分经典.关于许多特征关联关系以及相关趋势都可以利用相关性分析计算表达.其中常见的相关性系数就有三种:person相关系数,spearman相关系 ...
python接收输入的一行字符只统计数字的个数,Python（统计字符）,python实例,输入一行字符，分别统计出其中英文字母、空格、数字和其它字符的个数...
Python(统计字符),python实例,输入一行字符,分别统计出其中英文字母.空格.数字和其它字符的个数题目:输入一行字符,分别统计出其中英文字母.空格.数字和其它字符的个数. 程序分析:利用 ...
Python实例浅谈之三Python与C/C++相互调用
参考:http://blog.csdn.net/taiyang1987912/article/details/44779719 Python实例浅谈之三Python与C/C++相互调用二.Pytho ...
python写文件读文件-Python 实例：读写文件
原标题:Python 实例:读写文件读写文件是最常见的IO操作.内置了读写文件的函数,用法和的读写文件非常类似.在磁盘上读写文件的功能都是由提供的,现代不允许普通的程序直接操作磁盘,所以,读写文件就 ...
使用docker安装部署Spark集群来训练CNN（含Python实例）
使用docker安装部署Spark集群来训练CNN(含Python实例) 本博客仅为作者记录笔记之用,不免有很多细节不对之处. 还望各位看官能够见谅,欢迎批评指正. 博客虽水,然亦博主之苦劳也. 如需 ...
python现有两个磁盘文件a和b_有两个磁盘文件A和B,各存放一行字母,要求把这两个文件中的信息合并(按字母顺序排列), 输出到一个新文件C中Python实例...
有两个磁盘文件A和B,各存放一行字母,要求把这两个文件中的信息合并(按字母顺序排列), 输出到一个新文件C中Python实例题目:有两个磁盘文件A和B,各存放一行字母,要求把这两个文件中的信息合并( ...
Python实例讲解 -- 磁盘文件的操作
在文件夹里有六十多个RM格式的视频文件,我现在需要把它们的文件名都提取出来,并去掉文件的扩展名,以便放到需要的网页里. 应该有什么软件可以完成这个简单的要求,可是一时间到哪里去找这样一个符合要求的软 ...
python抽签代码_Python（抽签问题）,python实例,
Python(抽签问题),python实例, 题目:两个乒乓球队进行比赛,各出三人.甲队为a,b,c三人,乙队为x,y,z三人.已抽签决定比赛名单.有人向队员打听比赛的名单.a说他不和x比,c说他不和 ...
arcgis python 教程-按区域消除--arcgis python实例教程
按区域消除--arcgis python实例教程目的:对应细碎多边形,合并到周围的大多边形中,同时要求在同一个区域.例如对于处理多个县组成的图斑,某一个县的细碎多边形不能合并到别的县使用方法: 工 ...
shell sort 最后一列排序_十个必知的排序算法|Python实例系列[1]
实例内容: 十个必知的排序算法具体代码,并简略的得知每种算法对于不同长度数列的排序时间十大排序: 1.冒泡排序2.选择排序3.插入排序4.希尔排序5.归并排序6.快速排序7.堆排序8.计数排序9.桶 ...

相关系数显著性检验以及Python实例

检测步骤如下：

Python案例解析：

相关系数显著性检验以及Python实例相关推荐

最新文章

热门文章