Calcolare il coefficiente di correlazione di Pearson

Come menzionato nel video, il coefficiente di correlazione di Pearson, detto anche Pearson r, è spesso più facile da interpretare della covarianza. Si calcola con la funzione np.corrcoef(). Come np.cov(), accetta due array come argomenti e restituisce un array 2D. Le voci [0,0] e [1,1] sono necessariamente uguali a 1 (riesci a pensare al perché?), e il valore che ci interessa è la voce [0,1].

In questo esercizio scriverai una funzione, pearson_r(x, y), che prende in input due array e restituisce il coefficiente di correlazione di Pearson. Userai poi questa funzione per calcolarlo sulle lunghezze e le larghezze dei petali di I. versicolor.

Ti riproponiamo lo scatter plot generato in un esercizio precedente per ricordarti come sono correlate larghezza e lunghezza del petalo.

Questo esercizio fa parte del corso

Pensare in modo statistico con Python (Parte 1)

Visualizza il corso

Istruzioni dell'esercizio

Definisci una funzione con firma pearson_r(x, y).
- Usa np.corrcoef() per calcolare la matrice di correlazione di x e y (passali a np.corrcoef() in quest'ordine).
- La funzione restituisce la voce [0,1] della matrice di correlazione.
Calcola la correlazione di Pearson tra i dati negli array versicolor_petal_length e versicolor_petal_width. Assegna il risultato a r.
Stampa il risultato.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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

Modifica ed esegui il codice