Calcular el coeficiente de correlación de Pearson

Como se mencionó en el vídeo, el coeficiente de correlación de Pearson, también llamado Pearson r, suele ser más fácil de interpretar que la covarianza. Se calcula con la función np.corrcoef(). Al igual que np.cov(), toma dos arrays como argumentos y devuelve un array 2D. Las entradas [0,0] y [1,1] necesariamente son iguales a 1 (¿se te ocurre por qué?), y el valor que nos interesa es la entrada [0,1].

En este ejercicio, escribirás una función, pearson_r(x, y), que recibe dos arrays y devuelve el coeficiente de correlación de Pearson. Después usarás esta función para calcularlo para las longitudes y anchuras de los pétalos de I. versicolor.

De nuevo, incluimos el diagrama de dispersión que generaste en un ejercicio anterior para recordarte cómo se relacionan la anchura y la longitud del pétalo.

Este ejercicio forma parte del curso

Pensamiento estadístico en Python (Parte 1)

Ver curso

Instrucciones del ejercicio

Define una función con la firma pearson_r(x, y).
- Usa np.corrcoef() para calcular la matriz de correlación de x y y (pásalos a np.corrcoef() en ese orden).
- La función devuelve la entrada [0,1] de la matriz de correlación.
Calcula la correlación de Pearson entre los datos de los arrays versicolor_petal_length y versicolor_petal_width. Asigna el resultado a r.
Imprime el resultado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

def ____(____, ____):
    """Compute Pearson correlation coefficient between two arrays."""
    # Compute correlation matrix: corr_mat


    # Return entry [0,1]
    return corr_mat[0,1]

# Compute Pearson correlation coefficient for I. versicolor: r


# Print the result

Editar y ejecutar código