Obliczanie współczynnika korelacji Pearsona

Jak wspomniano w filmie, współczynnik korelacji Pearsona – zwany też r Pearsona – jest często łatwiejszy w interpretacji niż kowariancja. Oblicza się go za pomocą funkcji np.corrcoef(). Podobnie jak np.cov(), przyjmuje ona dwie tablice jako argumenty i zwraca dwuwymiarową tablicę. Elementy [0,0] i [1,1] są zawsze równe 1 (czy potrafisz powiedzieć dlaczego?), a interesująca nas wartość to element [0,1].

W tym ćwiczeniu napiszesz funkcję pearson_r(x, y), która przyjmuje dwie tablice i zwraca współczynnik korelacji Pearsona. Następnie użyjesz jej do obliczenia tego współczynnika dla długości i szerokości płatków I. versicolor.

Ponownie dołączamy wykres punktowy wygenerowany we wcześniejszym ćwiczeniu, który przypomina, jak szerokość i długość płatków są ze sobą powiązane.

To ćwiczenie jest częścią kursu

Myślenie statystyczne w Pythonie (część 1)

Zobacz kurs

Instrukcje do ćwiczenia

Zdefiniuj funkcję o sygnaturze pearson_r(x, y).
- Użyj np.corrcoef(), aby obliczyć macierz korelacji dla x i y (przekaż je do np.corrcoef() w tej kolejności).
- Funkcja powinna zwracać element [0,1] macierzy korelacji.
Oblicz korelację Pearsona między danymi z tablic versicolor_petal_length i versicolor_petal_width. Wynik przypisz do zmiennej r.
Wyświetl wynik.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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

Edytuj i uruchom kod