Calculer le coefficient de corrélation de Pearson

Comme mentionné dans la vidéo, le coefficient de corrélation de Pearson, aussi appelé Pearson r, 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 argument et renvoie un tableau 2D. Les entrées [0,0] et [1,1] sont nécessairement égales à 1 (voyez-vous pourquoi ?), et la valeur qui nous intéresse est l’entrée [0,1].

Dans cet exercice, vous allez écrire une fonction pearson_r(x, y) qui prend deux tableaux en entrée et renvoie le coefficient de corrélation de Pearson. Vous utiliserez ensuite cette fonction pour le calculer pour les longueurs et largeurs de pétales de I. versicolor.

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

Cet exercice fait partie du cours

<cours>Réflexion statistique en Python (Partie 1)</cours>

Voir le cours

Instructions de l’exercice

Définissez une fonction dont la signature est 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 renvoie 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. Affectez 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