correlations python numpy statistics scipy correlation

python - correlations - Coeficientes de correlación y valores de p para todos los pares de filas de una matriz



matrix of correlations in python (3)

La forma más conveniente de hacerlo podría ser el método buildin .corr en pandas , para obtener r:

In [79]: import pandas as pd m=np.random.random((6,6)) df=pd.DataFrame(m) print df.corr() 0 1 2 3 4 5 0 1.000000 -0.282780 0.455210 -0.377936 -0.850840 0.190545 1 -0.282780 1.000000 -0.747979 -0.461637 0.270770 0.008815 2 0.455210 -0.747979 1.000000 -0.137078 -0.683991 0.557390 3 -0.377936 -0.461637 -0.137078 1.000000 0.511070 -0.801614 4 -0.850840 0.270770 -0.683991 0.511070 1.000000 -0.499247 5 0.190545 0.008815 0.557390 -0.801614 -0.499247 1.000000

Para obtener los valores p usando t-test:

In [84]: n=6 r=df.corr() t=r*np.sqrt((n-2)/(1-r*r)) import scipy.stats as ss ss.t.cdf(t, n-2) Out[84]: array([[ 1. , 0.2935682 , 0.817826 , 0.23004382, 0.01585695, 0.64117917], [ 0.2935682 , 1. , 0.04363408, 0.17836685, 0.69811422, 0.50661121], [ 0.817826 , 0.04363408, 1. , 0.39783538, 0.06700715, 0.8747497 ], [ 0.23004382, 0.17836685, 0.39783538, 1. , 0.84993082, 0.02756579], [ 0.01585695, 0.69811422, 0.06700715, 0.84993082, 1. , 0.15667393], [ 0.64117917, 0.50661121, 0.8747497 , 0.02756579, 0.15667393, 1. ]]) In [85]: ss.pearsonr(m[:,0], m[:,1]) Out[85]: (-0.28277983892175751, 0.58713640696703184) In [86]: #be careful about the difference of 1-tail test and 2-tail test: 0.58713640696703184/2 Out[86]: 0.2935682034835159 #the value in ss.t.cdf(t, n-2) [0,1] cell

También puede usar scipy.stats.pearsonr que mencionó en OP:

In [95]: #returns a list of tuples of (r, p, index1, index2) import itertools [ss.pearsonr(m[:,i],m[:,j])+(i, j) for i, j in itertools.product(range(n), range(n))] Out[95]: [(1.0, 0.0, 0, 0), (-0.28277983892175751, 0.58713640696703184, 0, 1), (0.45521036266021014, 0.36434799921123057, 0, 2), (-0.3779357902414715, 0.46008763115463419, 0, 3), (-0.85083961671703368, 0.031713908656676448, 0, 4), (0.19054495489542525, 0.71764166168348287, 0, 5), (-0.28277983892175751, 0.58713640696703184, 1, 0), (1.0, 0.0, 1, 1), #etc, etc

Tengo una matriz de data con m filas yn columnas. Solía ​​calcular los coeficientes de correlación entre todos los pares de filas usando np.corrcoef :

import numpy as np data = np.array([[0, 1, -1], [0, -1, 1]]) np.corrcoef(data)

Ahora también me gustaría echar un vistazo a los valores p de estos coeficientes. np.corrcoef no proporciona estos; scipy.stats.pearsonr sí. Sin embargo, scipy.stats.pearsonr no acepta una matriz en la entrada.

¿Hay una forma rápida de calcular el coeficiente y el valor de p para todos los pares de filas (llegando, por ejemplo, a matrices de dos m por m , uno con coeficientes de correlación, el otro con los valores p correspondientes) sin tener que pasar manualmente? todos los pares?


He encontrado el mismo problema hoy.

Después de media hora de googlear, no puedo encontrar ningún código en la biblioteca numpy / scipy que pueda ayudarme a hacer esto.

Así que escribí mi propia versión de corrcoef

import numpy as np from scipy.stats import pearsonr, betai def corrcoef(matrix): r = np.corrcoef(matrix) rf = r[np.triu_indices(r.shape[0], 1)] df = matrix.shape[1] - 2 ts = rf * rf * (df / (1 - rf * rf)) pf = betai(0.5 * df, 0.5, df / (df + ts)) p = np.zeros(shape=r.shape) p[np.triu_indices(p.shape[0], 1)] = pf p[np.tril_indices(p.shape[0], -1)] = pf p[np.diag_indices(p.shape[0])] = np.ones(p.shape[0]) return r, p def corrcoef_loop(matrix): rows, cols = matrix.shape[0], matrix.shape[1] r = np.ones(shape=(rows, rows)) p = np.ones(shape=(rows, rows)) for i in range(rows): for j in range(i+1, rows): r_, p_ = pearsonr(matrix[i], matrix[j]) r[i, j] = r[j, i] = r_ p[i, j] = p[j, i] = p_ return r, p

La primera versión usa el resultado de np.corrcoef, y luego calcula el valor de p basado en los valores superiores del triángulo de la matriz de corrcoef.

La segunda versión de bucle solo itera sobre las filas, haga pearsonr manualmente.

def test_corrcoef(): a = np.array([ [1, 2, 3, 4], [1, 3, 1, 4], [8, 3, 8, 5]]) r1, p1 = corrcoef(a) r2, p2 = corrcoef_loop(a) assert np.allclose(r1, r2) assert np.allclose(p1, p2)

La prueba pasó, son lo mismo.

def test_timing(): import time a = np.random.randn(100, 2500) def timing(func, *args, **kwargs): t0 = time.time() loops = 10 for _ in range(loops): func(*args, **kwargs) print(''{} takes {} seconds loops={}''.format( func.__name__, time.time() - t0, loops)) timing(corrcoef, a) timing(corrcoef_loop, a) if __name__ == ''__main__'': test_corrcoef() test_timing()

El rendimiento en mi Macbook contra la matriz 100x2500

corrcoef toma 0.06608104705810547 segundos loops = 10

corrcoef_loop lleva 7.585600137710571 segundos loops = 10


Una especie de hackeo y posiblemente ineficiente, pero creo que esto podría ser lo que estás buscando:

import scipy.spatial.distance as dist import scipy.stats as ss # Pearson''s correlation coefficients print dist.squareform(dist.pdist(data, lambda x, y: ss.pearsonr(x, y)[0])) # p-values print dist.squareform(dist.pdist(data, lambda x, y: ss.pearsonr(x, y)[1]))

El pdist de Scipy es una función muy útil, que está principalmente destinada a encontrar distancias por pares entre observaciones en el espacio n-dimensional.

Pero permite "métricas de distancia" invocables definidas por el usuario, que pueden ser explotadas para llevar a cabo cualquier tipo de operación en pares. El resultado se devuelve en una forma de matriz de distancia condensada, que se puede cambiar fácilmente a la forma de matriz cuadrada utilizando la función '' forma cuadrada'' de Scipy .