未记录事实核验 · 状态：现行内容

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 适用边界与维护说明

本文适合入门理解Pearson线性相关系数，并使用所给NumPy、SciPy示例计算相关性，不构成真实数据显著性推断的完整操作指南。实际使用时需检查观测独立性及检验所需分布条件，注意常量输入的相关系数未定义、异常值可能显著影响结果；零线性相关不等于不存在其他关系。本次仅作全文结构审阅，未运行代码或外部核验库接口及相关知识链接。

🧮 皮尔逊相关系数（Pearson Correlation）

abstract 📋 本节概览

  • 🎯 学习目标：理解什么是皮尔逊相关系数，如何用Python计算相关性
  • 📚 前置知识：均值|均值 | 标准差|标准差 | 相关分析|相关分析
  • ⏱️ 预计用时：8分钟

学习目标

note 📖 **什么是皮尔逊相关系数？**

皮尔逊相关系数用来衡量两个连续变量之间的"线性关系"强弱。取值范围-1到1，1表示完全正相关，-1表示完全负相关，0表示无线性关系。

生活例子：

  • 假设记录每天的学习时间和考试分数，且样本点接近一条正斜率直线，则相关系数接近1；仅有“时间越多分数越高”的趋势，不能确定相关系数接近1。
  • 如果学习时间和分数没啥关系，相关系数接近0。

🛠️ 皮尔逊相关系数计算

  1. 思路说明

    • 计算两个变量的均值和标准差
    • 对每对数据，计算两个变量各自减去均值后的离均差乘积，并求和
    • 用公式或用库函数直接计算

  2. 学习目标

    • scipy.stats（科学计算库，专门做统计分析）
    • numpy也可以

  3. 代码示例

import numpy as np
from scipy.stats import pearsonr
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# 方法1：用numpy
r_np = np.corrcoef(x, y)[0, 1]
print("numpy相关系数:", r_np)
# 方法2：用scipy
r, p = pearsonr(x, y)
print("scipy相关系数:", r, "p值:", p)

tip 💡 p值的含义

在观测独立且满足相应检验条件时，pearsonr默认返回检验总体Pearson相关系数为0的双侧p值；其默认精确检验采用正态分布假设。在这些条件下，p值越小，数据与零相关假设越不相容。若事先采用0.05作为显著性水平，p<0.05可判为统计显著，但不表示相关很强，也不证明因果关系。

🔗 相关知识

#统计学 #皮尔逊 #统计学 #多元分析 #Python