问题描述
我试图在数据帧上运行我认为应该是一个简单的相关函数,但它在我认为不应该的地方返回 NaN。
代码:
# setup
import pandas as pd
import io
csv = io.StringIO(u'''
id date num
A 2018-08-01 99
A 2018-08-02 50
A 2018-08-03 100
A 2018-08-04 100
A 2018-08-05 100
B 2018-07-31 500
B 2018-08-01 100
B 2018-08-02 100
B 2018-08-03 0
B 2018-08-05 100
B 2018-08-06 500
B 2018-08-07 500
B 2018-08-08 100
C 2018-08-01 100
C 2018-08-02 50
C 2018-08-03 100
C 2018-08-06 300
''')
df = pd.read_csv(csv, sep = '\t')
# Format manipulation
df = df[df['num'] > 50]
df = df.pivot(index = 'date', columns = 'id', values = 'num')
df = pd.DataFrame(df.to_records())
# Main correlation calculations
print df.iloc[:, 1:].corr()
主题数据框:
A B C
0 NaN 500.0 NaN
1 99.0 100.0 100.0
2 NaN 100.0 NaN
3 100.0 NaN 100.0
4 100.0 NaN NaN
5 100.0 100.0 NaN
6 NaN 500.0 300.0
7 NaN 500.0 NaN
8 NaN 100.0 NaN
corr() 结果:
A B C
A 1.0 NaN NaN
B NaN 1.0 1.0
C NaN 1.0 1.0
根据该函数的(有限) ,它应该排除“NA/null 值”。 由于每一列都有重叠的值,结果不应该都是非 NaN 吗?
和有很好的讨论,但都没有回答我的问题。
我已经尝试过讨论的float64
想法,但也失败了。
@hellpanderr 的评论提出了一个好观点,我使用的是 0.22.0
额外问题 - 我不是数学家,但在这个结果中 B 和 C 之间如何存在 1:1 的相关性?
1楼
结果似乎是您使用的数据的人工制品。
在你写的时候, NA
被忽略了,所以它基本上归结为:
df[['B', 'C']].dropna()
B C
1 100.0 100.0
6 500.0 300.0
因此,每列只剩下两个值用于计算,因此应该 :
df[['B', 'C']].dropna().corr()
B C
B 1.0 1.0
C 1.0 1.0
那么,剩余组合的NA
来自哪里?
df[['A', 'B']].dropna()
A B
1 99.0 100.0
5 100.0 100.0
df[['A', 'C']].dropna()
A C
1 99.0 100.0
3 100.0 100.0
所以,在这里你最终每列只有两个值。
不同之处在于B
列和C
列仅包含一个值 ( 100
),其标准偏差为0
:
df[['A', 'C']].dropna().std()
A 0.707107
C 0.000000
计算相关系数时,您除以标准差,得出NA
。