Python3数据分析与挖掘建模（12）复合分析-相关分析与实现示例

1. 相关分析

1.1 概述

相关分析是一种统计分析方法，用于研究两个或多个变量之间的关系和相互影响程度。它帮助我们了解变量之间的线性关系、趋势和相关程度。

在相关分析中，常用的指标是相关系数，用于衡量两个变量之间的相关程度。最常见的相关系数是皮尔逊相关系数（Pearson correlation coefficient），它衡量了两个变量之间的线性关系强度和方向。皮尔逊相关系数的取值范围在-1到1之间，接近1表示正相关，接近-1表示负相关，接近0表示无相关关系。

1.2 分析示例

在Python中，可以使用pandas和numpy库进行相关分析。

# 设置绘图环境的字体大小
sns.set_context(font_scale=1.5)

# 读取数据集
df = pd.read_csv("../data/HR.csv")

# 提取数值类型的列
numeric_cols = df.select_dtypes(include=[np.number]).columns

# 计算相关系数矩阵并绘制热图
sns.heatmap(df[numeric_cols].corr(), vmin=-1, vmax=1, cmap=sns.color_palette("RdBu", n_colors=128))

# 显示图形
plt.show()

上述代码的注释解释如下：

• 导入需要使用的库：pandas用于数据处理，matplotlib.pyplot用于绘图，seaborn用于美化绘图风格，scipy.stats用于计算相关系数，numpy用于数据类型操作。
• 设置绘图环境的字体大小，使得图形更加清晰可读。
• 使用pd.read_csv()读取数据集，文件路径为"../data/HR.csv"。
• 通过select_dtypes()方法结合np.number选择数据框中的数值类型的列，将其存储在numeric_cols变量中。
• 使用df[numeric_cols].corr()计算数值列之间的相关系数矩阵。
• 使用sns.heatmap()绘制热图，其中vmin和vmax指定了颜色映射的取值范围，cmap指定了使用的颜色映射方案。
• 使用plt.show()显示图形。

分析结果图为：

如图，蓝色是接近于1，红色接近于-1。泛红的区域接近于负相关，泛蓝的区域接近于正相关。

2. 熵与互信息

2.1 概述

相关分析中的熵、条件熵和互信息是信息论中的概念，用于衡量随机变量之间的关联性。

（1）熵（Entropy）：熵是表示随机变量的不确定性的度量。对于一个离散随机变量，其熵的定义为所有可能取值的信息量的期望值的负数。熵越大，随机变量的不确定性越高。在相关分析中，熵可以用于衡量单个随机变量的不确定性。

公式：  值越接近于0，说明其不确定性越小。

（2）条件熵（Conditional Entropy）：条件熵是在给定另一个随机变量的条件下，某个随机变量的不确定性。对于两个随机变量X和Y，给定Y的条件下，X的条件熵定义为在已知Y的取值情况下，X的熵的期望值。条件熵越大，表示X和Y之间的关联性越弱。

公式：

（3）熵增益（互信息（Mutual Information））：互信息衡量的是两个随机变量之间的相关性或依赖关系。对于两个随机变量X和Y，互信息定义为X和Y的联合分布与它们各自的边缘分布之间的差异。互信息可以看作是两个随机变量之间的共享信息量，互信息越大，表示两个随机变量之间的关联性越强。

在相关分析中，这些概念可以用于量化随机变量之间的关联程度，从而帮助理解和分析数据中的相互作用和依赖关系。

公式：

（4）熵增益率：熵增益率是一种用于特征选择的指标，常用于决策树算法中。它衡量了在给定某个特征的条件下，对目标变量的不确定性减少程度。熵增益率越高，意味着使用该特征进行划分可以获得更多的信息增益。计算熵增益率涉及两个概念：信息增益和分裂信息。信息增益是目标变量熵减少的量，分裂信息是指划分特征的熵。熵增益率通过将信息增益除以分裂信息来进行归一化，以解决特征取值数目不同带来的偏好问题。

公式：

（5）相关性：相关性是指两个变量之间的关联程度。相关性通常用于衡量两个变量之间的线性关系。相关性的取值范围在-1到1之间，其中-1表示完全负相关，0表示无相关性，1表示完全正相关。相关性可以帮助我们了解变量之间的趋势、依赖关系和相互影响程度。在数据分析中，可以通过计算相关系数（如皮尔逊相关系数）来衡量变量之间的相关性。

公式：

2.2 示例数据

X	Y
X1	Y1
X1	Y1
X2	Y1
X2	Y2
X2	Y2
X2	Y2

2.3 求取熵

import pandas as pd
import seaborn as sns
import numpy as np

sns.set_context(font_scale=1.5)
df=pd.read_csv("../data/HR.csv")
s1=pd.Series(["X1","X1","X2","X2","X2","X2"])
s2=pd.Series(["Y1","Y1","Y1","Y2","Y2","Y2"])

def getEntropy(s):
    if not isinstance(s,pd.core.series.Series):
        s=pd.Series(s)
    # 如果输入不是 pandas Series，则将其转换为 Series 类型
    if not isinstance(s, pd.core.series.Series):
        s = pd.Series(s)
    
    # 计算每个值的出现频率并得到概率数组
    prt_ary = pd.value_counts(s).values / float(len(s))
    
    # 计算熵值，即对每个概率取负对数后乘以概率并求和
    entropy = -(np.log2(prt_ary) * prt_ary).sum()
    
    return entropy

print("熵值:", getEntropy(s2)) # Out:Entropy: 1.0

该代码定义了一个名为 getEntropy 的函数，用于计算序列 s 的熵值。函数首先检查输入 s 是否为 pandas Series 类型，如果不是，则将其转换为 Series 类型。然后，使用 pandas 的 value_counts 函数统计序列中每个值的出现次数，并计算出对应的概率。最后，根据熵值的计算公式，对每个概率取负对数并乘以概率，然后对所有结果求和，得到最终的熵值。函数返回计算得到的熵值。示例用法展示了如何使用 getEntropy 函数来计算特定序列 s2 的熵值，并打印结果。

2.4 求取条件熵

# 求取条件熵
def getCondEntropy(s1, s2):
    # 检查输入的序列长度是否相等
    assert len(s1) == len(s2)
    # 创建一个空字典
    d = dict()
    # 构建字典，键为 s1 的值，值为对应的 s2 值的列表
    for i in range(len(s1)):
        d[s1[i]] = d.get(s1[i], []) + [s2[i]]
    # 计算条件熵，对每个键值对应的列表计算熵值，并加权求和
    cond_entropy = sum([getEntropy(d[k]) * len(d[k]) / float(len(s1)) for k in d])
    return cond_entropy
print("CondEntropy", getCondEntropy(s1,s2)) #Out: CondEntropy 0.5408520829727552
print("CondEntropy", getCondEntropy(s2,s1)) #Out:CondEntropy 0.4591479170272448

该代码定义了一个计算条件熵的函数 getCondEntropy。首先，通过断言语句检查输入的序列 s1 和 s2 的长度是否相等。然后，创建一个空字典 d。接下来，使用循环遍历序列 s1 和 s2，将 s1 的值作为字典的键，s2 的对应值作为字典的值，将值添加到字典中。然后，通过列表推导式计算每个键值对应的列表的熵值，并乘以列表长度和总长度的比例，最后加权求和得到条件熵。最后，我们调用 getCondEntropy 函数，传入示例序列 s1 和 s2，并打印计算得到的条件熵结果。

从结果可知，s1,s2与s2,s1的条件熵是不对应的。

2.5 熵增益（互信息）

# 熵增益（互信息）
def getEntropyGain(s1,s2):
    return getEntropy(s2)-getCondEntropy(s1,s2)
print("EntropyGain",getEntropyGain(s1,s2))  #Out:EntropyGain 0.4591479170272448

2.6 熵增益率

# 熵增益率
def getEntropyGainRatio(s1,s2):
    return getEntropyGain(s1,s2)/getEntropy(s2)
print("EntropyGainRatio",getEntropyGainRatio(s1,s2)) #Out:ntropyGainRatio 0.4591479170272448

2.7 相关性（相关度）

#相关度
def getDiscreteRelation(a1, a2):
    return getEntropyGain(a1, a2) / math.sqrt(getEntropy(a1) * getEntropy(a2))
print("DiscreteRelation",getDiscreteRelation(s1,s2)) #Out:DiscreteRelation 0.4791387674918639

2.8 Gini

# Gini
def getGini(a1, a2):
    assert (len(a1) == len(a2))
    d = dict()
    for i in list(range(len(a1))):
        d[a1[i]] = d.get(a1[i], []) + [a2[i]]
    return 1 - sum([getProbSS(d[k]) * len(d[k]) / float(len(a1)) for k in d])

# 可能性平方和
def getProbSS(s):
    if not isinstance(s, pd.core.series.Series):
        s = pd.Series(s)
    prt_ary = np.array(s.groupby(s).count().values / float(len(s)))
    return sum(prt_ary ** 2)

print("Gini", getGini(s1, s2)) #Out: Gini 0.25
print("Gini", getGini(s2, s1)) #Out: Gini 0.2222222222222222

这段代码计算了两个变量之间的基尼系数（Gini coefficient）。getGini 函数接受两个数组作为输入，假设这两个数组的长度相等。它首先根据第一个数组 a1 中的元素将第二个数组 a2 中的元素分组，然后计算每个组的可能性平方和，最后将所有组的可能性平方和加权求和，并与1相减，得到基尼系数。

getProbSS 函数计算了给定序列 s 的可能性平方和。它首先将序列转换为 Pandas 的 Series 对象（如果尚未是），然后使用 groupby 方法按照元素进行分组，并计算每个元素的计数。接下来，它计算每个元素计数的可能性，将其转换为数组，并计算可能性平方和。

最后，通过调用 getGini 函数来计算两个示例数据集 s1 和 s2 之间的基尼系数，并打印结果。