[Python] 상관 관계 분석

상관관계

 

두 개 그룹간의 상관관계를 분석하기 위한 방법이다.

1. Pearson

2. Spearman

3. Kendall

크게 이러한 방법이 널리 사용되고 있고, 실습으로 피어슨, 스피어만 상관계수 분석을 해보려고 합니다!

 

* 상관관계가 반드시 인과관계를 뜻하는 것은 아니다. 상관관계가 존재하더라도 아무런 인과관계가 없을 수도 있기 때문에 해석에 주의해야한다..!

 

Pearson correlation(피어슨 상관계수)

 

두 변수 간의 상관관계를 구할 때 가장 많이 활용되는 공식이다.

해당 상관계수는 두 변수간 선형적인 관계가 있는지 판단하는데 사용된다.

피어슨 상관계수가 0에 가까운 수치를 보이더라도 선형적인 관계가 낮다는 것일 뿐 비선형적인 관계로 유의미한 관련이 있을 수도 있다. 

수치는 -1~1의 값을 가지며 -1에 가까울 수록 두 변수는 음의 선형적인 상관관계를 가지며 1에 가까울 수록 두 변수는 양의 선형적인 상관관계를 가진다.

 

H0 : 상관계수는 0이다.

H1 : 상관계수는 0이 아니다.

 

Spearman correlation(스피어만 상관계수)

 

스피어만 상관계수는 기본적으로 피어슨 상관계수와 같은 원리로 산출된다. 피어슨 상관계수는 원 데이터 수치값을 그대로 활용하는 반면, 스피어만 상관계수는 데이터의 순서통계량 값을 활용하여 순서값의 피어슨 상관계수라고 생각하면 된다. 

 

실습

 

1. 패키지 임포트

from scipy.stats import pearsonr
from scipy.stats import spearmanr

 

2. 데이터 불러오기

from sklearn.datasets import load_iris
import pandas as pd
iris=load_iris()
iris_dataframe=pd.DataFrame(iris.data, columns=iris.feature_names)

 

3. 상관관계

print(pearsonr(iris_dataframe['sepal width (cm)'], iris_dataframe['petal width (cm)']))
print(spearmanr(iris_dataframe['sepal width (cm)'], iris_dataframe['petal width (cm)']))

상관관계 및 p-value 값을 나타내고 있습니다.

 

-피어슨

상관관계 : -0.35, p-value : 0.00

=> 약한 음적 상관관계를 가지며 p-value가 0.05보다 작기 때문에 귀무가설을 기각하여 상관계수가 0은 아니다라는 대립가설이 채택된다.

 

-스피어만

상관관계 : -0.29, p-value : 0.0