熊猫列列表之间的相关性X整个数据框

问题描述：

我正在寻找Pandas .corr（）方法的帮助。熊猫列列表之间的相关性X整个数据框

由于是，我可以使用.corr（）方法来计算列的每一个可能的组合的热图：

corr = data.corr() 
sns.heatmap(corr)

其中，在我的23000列的数据帧，可热死近终止宇宙。

我还可以做值的子集之间的比较合理的相关性

data2 = data[list_of_column_names] 
corr = data2.corr(method="pearson") 
sns.heatmap(corr)

这给了我的东西，我可以使用 - 这里的是什么样子的例子：

什么我想要做的就是比较20列的列表与整个数据集。正常的.corr（）函数可以给我一个20x20或23,000x23,000热图，但本质上我想要一个20x23,000热图。

如何为我的相关性添加更多特异性？

感谢您的帮助！

答

通过这一昨晚工作后，我来到了以下的答案：

#datatable imported earlier as 'data' 
#Create a new dictionary 
plotDict = {} 
# Loop across each of the two lists that contain the items you want to compare 
for gene1 in list_1: 
    for gene2 in list_2: 
     # Do a pearsonR comparison between the two items you want to compare 
     tempDict = {(gene1, gene2): scipy.stats.pearsonr(data[gene1],data[gene2])} 
     # Update the dictionary each time you do a comparison 
     plotDict.update(tempDict) 
# Unstack the dictionary into a DataFrame 
dfOutput = pd.Series(plotDict).unstack() 
# Optional: Take just the pearsonR value out of the output tuple 
dfOutputPearson = dfOutput.apply(lambda x: x.apply(lambda x:x[0])) 
# Optional: generate a heatmap 
sns.heatmap(dfOutputPearson)

就像其他的答案，这会产生一个热图（见下文），但它可以扩展到允许一个20,000x30矩阵，而不计算整个20,000x20,000组合之间的相关性（因此终止速度更快）。

答

列出您想要的子集（在本例中为A，B和C），创建一个空数据框，然后使用嵌套循环填充所需值。

df = pd.DataFrame(np.random.randn(50, 7), columns=list('ABCDEFG')) 

# initiate empty dataframe 
corr = pd.DataFrame() 
for a in list('ABC'): 
    for b in list(df.columns.values): 
     corr.loc[a, b] = df.corr().loc[a, b] 

corr 
Out[137]: 
      A   B   C   D   E   F   G 
A 1.000000 0.183584 -0.175979 -0.087252 -0.060680 -0.209692 -0.294573 
B 0.183584 1.000000 0.119418 0.254775 -0.131564 -0.226491 -0.202978 
C -0.175979 0.119418 1.000000 0.146807 -0.045952 -0.037082 -0.204993 

sns.heatmap(corr)

谢谢你的有用评论！这看起来在理论上效果很好。实际上，它看起来像'corr = data.corr（）。iloc [3：5,1：2]'，它应该是一个相对简单的相关性，需要相当长的一段时间才能终止（它没有大约5到目前为止分钟）。我猜这是因为.corr（）首先计算了我所有23,000行之间的相关性，然后再进行分片。 – CalendarJ

好的。我将编辑以展示如何做到这一点。 – Andrew

如果新更改解决了您的问题，请接受此答案。 – Andrew

答

通常相关的计算系数成对所有变量做最有意义。 pd.corr（）是便利函数，用于计算两两相关系数（以及所有对）。你也可以用scipy来做，也仅限于循环中的指定对。

实施例：

在大熊猫

d=pd.DataFrame([[1,5,8],[2,5,4],[7,3,1]], columns=['A','B','C'])

一对可以是：

d.corr().loc['A','B']

-0.98782916114726194

等效在SciPy的：

import scipy.stats 
scipy.stats.pearsonr(d['A'].values,d['B'].values)[0]

-0.98782916114726194

熊猫列列表之间的相关性X整个数据框

相关推荐