Calcul du coefficient de corrélation de Pearson

Comme mentionné dans la vidéo, le coefficient de corrélation de Pearson, aussi appelé le r de Pearson, est souvent plus facile à interpréter que la covariance. Il se calcule avec la fonction np.corrcoef(). Comme np.cov(), elle prend deux tableaux en arguments et retourne un tableau 2D. Les entrées [0,0] et [1,1] sont nécessairement égales à 1 (pouvez-vous dire pourquoi?), et la valeur qui nous intéresse est l'entrée [0,1].

Dans cet exercice, vous écrirez une fonction pearson_r(x, y) qui prend deux tableaux et retourne le coefficient de corrélation de Pearson. Vous utiliserez ensuite cette fonction pour le calculer pour la longueur et la largeur des pétales de I. versicolor.

Encore une fois, nous incluons le nuage de points que vous avez généré dans un exercice précédent pour vous rappeler le lien entre la largeur et la longueur des pétales.

Cette activité fait partie du cours

Réflexion statistique en Python (Partie 1)

Voir le cours

Instructions de l’exercice

Définissez une fonction avec l'en-tête pearson_r(x, y).
- Utilisez np.corrcoef() pour calculer la matrice de corrélation de x et y (passez-les à np.corrcoef() dans cet ordre).
- La fonction retourne l'entrée [0,1] de la matrice de corrélation.
Calculez la corrélation de Pearson entre les données des tableaux versicolor_petal_length et versicolor_petal_width. Assignez le résultat à r.
Affichez le résultat.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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

Modifier et exécuter le code