Как Вы находите главные корреляции в корреляционной матрице с Пандами? Существует много ответов о том, как сделать это с R (Покажите корреляции заказанным списком, не большим матричным или Эффективным способом получить очень коррелированых пар от большого набора данных в Python или R), но я задаюсь вопросом, как сделать это с пандами? В моем случае матрица 4460x4460, так не может сделать этого визуально.
Можно использовать DataFrame.values
, чтобы получить numpy массив данных и затем использовать функции NumPy такой в качестве argsort()
для получения самых коррелированых пар.
, Но если Вы хотите сделать это у панд, Вы можете unstack
и order
DataFrame:
import pandas as pd
import numpy as np
shape = (50, 4460)
data = np.random.normal(size=shape)
data[:, 1000] += data[:, 2000]
df = pd.DataFrame(data)
c = df.corr().abs()
s = c.unstack()
so = s.sort_values(kind="quicksort")
print so[-4470:-4460]
Вот вывод:
2192 1522 0.636198
1522 2192 0.636198
3677 2027 0.641817
2027 3677 0.641817
242 130 0.646760
130 242 0.646760
1171 2733 0.670048
2733 1171 0.670048
1000 2000 0.742340
2000 1000 0.742340
dtype: float64
Небольшое количество решения для строк без избыточных пар переменных:
corr_matrix = df.corr().abs()
#the matrix is symmetric so we need to extract upper triangle matrix without diagonal (k = 1)
sol = (corr_matrix.where(np.triu(np.ones(corr_matrix.shape), k=1).astype(np.bool))
.stack()
.sort_values(ascending=False))
#first element of sol series is the pair with the bigest correlation
ответ @HYRY прекрасен. Просто основываясь на том ответе путем добавления немного большего количества логики для предотвращения дубликата и сам корреляции и надлежащая сортировка:
import pandas as pd
d = {'x1': [1, 4, 4, 5, 6],
'x2': [0, 0, 8, 2, 4],
'x3': [2, 8, 8, 10, 12],
'x4': [-1, -4, -4, -4, -5]}
df = pd.DataFrame(data = d)
print("Data Frame")
print(df)
print()
print("Correlation Matrix")
print(df.corr())
print()
def get_redundant_pairs(df):
'''Get diagonal and lower triangular pairs of correlation matrix'''
pairs_to_drop = set()
cols = df.columns
for i in range(0, df.shape[1]):
for j in range(0, i+1):
pairs_to_drop.add((cols[i], cols[j]))
return pairs_to_drop
def get_top_abs_correlations(df, n=5):
au_corr = df.corr().abs().unstack()
labels_to_drop = get_redundant_pairs(df)
au_corr = au_corr.drop(labels=labels_to_drop).sort_values(ascending=False)
return au_corr[0:n]
print("Top Absolute Correlations")
print(get_top_abs_correlations(df, 3))
, Который дает следующий вывод:
Data Frame
x1 x2 x3 x4
0 1 0 2 -1
1 4 0 8 -4
2 4 8 8 -4
3 5 2 10 -4
4 6 4 12 -5
Correlation Matrix
x1 x2 x3 x4
x1 1.000000 0.399298 1.000000 -0.969248
x2 0.399298 1.000000 0.399298 -0.472866
x3 1.000000 0.399298 1.000000 -0.969248
x4 -0.969248 -0.472866 -0.969248 1.000000
Top Absolute Correlations
x1 x3 1.000000
x3 x4 0.969248
x1 x4 0.969248
dtype: float64
Сочетая некоторые функции @HYRY и ответов @arun, можно распечатать главные корреляции для кадра данных df
в однострочном использовании:
df.corr().unstack().sort_values().drop_duplicates()
Примечание: одна оборотная сторона - то, если у Вас есть 1,0 корреляции, которые являются не одна переменная к себе, drop_duplicates()
, дополнение удалило бы их
Используйте itertools.combinations
, чтобы получить все уникальные корреляции от панд собственная корреляционная матрица .corr()
, генерировать список списков и подать его назад в DataFrame для использования .sort_values '. Набор ascending = True
для отображения самых низких корреляций на вершине
corrank
берет DataFrame в качестве аргумента, потому что это требует .corr()
.
def corrank(X):
import itertools
df = pd.DataFrame([[(i,j),X.corr().loc[i,j]] for i,j in list(itertools.combinations(X.corr(), 2))],columns=['pairs','corr'])
print(df.sort_values(by='corr',ascending=False))
corrank(X) # prints a descending list of correlation pair (Max on top)
Используйте код ниже для просмотра корреляций в порядке по убыванию.
# See the correlations in descending order
corr = df.corr() # df is the pandas dataframe
c1 = corr.abs().unstack()
c1.sort_values(ascending = False)
Партия хороших ответов здесь. Самым легким путем я нашел, была комбинация некоторых ответов выше.
corr = corr.where(np.triu(np.ones(corr.shape), k=1).astype(np.bool))
corr = corr.unstack().transpose()\
.sort_values(by='column', ascending=False)\
.dropna()
Я не хотел к unstack
или сверхусложнил эту проблему, так как я просто хотел отбросить некоторые очень коррелированые функции как часть фазы выбора функции.
, Таким образом, я закончил со следующим упрощенным решением:
# map features to their absolute correlation values
corr = features.corr().abs()
# set equality (self correlation) as zero
corr[corr == 1] = 0
# of each feature, find the max correlation
# and sort the resulting array in ascending order
corr_cols = corr.max().sort_values(ascending=False)
# display the highly correlated features
display(corr_cols[corr_cols > 0.8])
В этом случае, если Вы хотите отбросить коррелируемые функции, можно отобразиться через фильтрованный corr_cols
массив и удалить нечетно индексированный (или даже индексированный).
Я пробовал некоторые решения здесь, но затем я на самом деле придумал свой собственный. Я надеюсь, что это могло бы быть полезно для следующего, таким образом, я совместно использую его здесь:
def sort_correlation_matrix(correlation_matrix):
cor = correlation_matrix.abs()
top_col = cor[cor.columns[0]][1:]
top_col = top_col.sort_values(ascending=False)
ordered_columns = [cor.columns[0]] + top_col.index.tolist()
return correlation_matrix[ordered_columns].reindex(ordered_columns)