scipy.stats.mstats.

spearmanr#

scipy.stats.mstats.spearmanr(x, y=None, use_ties=True, axis=None, nan_policy='propagate', alternative='two-sided')[source]#

计算 Spearman 秩相关系数和用于检验非相关的 p 值。

Spearman 相关性是非参数方法，用于衡量两个数据集之间的线性关系。与 Pearson 相关性不同，Spearman 相关性不假定两个数据集都呈正态分布。与其他相关系数一样，该系数在 -1 和 +1 之间变化，0 表示没有相关性。-1 或 +1 的相关性表示单调关系。正相关表示当 x 增加时，y 也会增加。负相关表示当 x 增加时，y 减小。

缺失值成对丢弃：如果 x 中缺少值，则 y 中的对应值将被屏蔽。

p 值大致表示一个非相关系统生成具有与从这些数据集计算出的 Spearman 相关性至少一样极端的 Spearman 相关性的数据集的概率。p 值不是完全可靠的，但对于大于 500 左右的数据集可能是合理的。

参数:
x, y1D 或 2D 类数组，y 是可选的

一个或两个包含多个变量和观测值的 1-D 或 2-D 数组。当这些数组是 1-D 时，每个数组代表单个变量的观测值向量。对于 2-D 情况下的行为，请参见下面的 axis。

use_tiesbool，可选

请勿使用。没有任何作用，保留此关键字仅是为了向后兼容性。

axisint 或 None，可选

如果 axis=0（默认），则每列代表一个变量，观测值位于行中。如果 axis=1，则关系转置：每行代表一个变量，而列包含观测值。如果 axis=None，则两个数组都将被展平。

nan_policy{‘propagate’, ‘raise’, ‘omit’}, 可选

定义输入包含 nan 时如何处理。“propagate”返回 nan，“raise”抛出错误，“omit”执行计算时忽略 nan 值。默认为“propagate”。

alternative{‘two-sided’, ‘less’, ‘greater’}, 可选

定义备择假设。默认为“two-sided”。以下选项可用

  • ‘two-sided’：相关性非零

  • ‘less’：相关性为负（小于零）

  • ‘greater’：相关性为正（大于零）

1.7.0 版本中添加。

返回:
resSignificanceResult

包含属性的对象

statisticfloat 或 ndarray（2-D 正方形）

Spearman 相关矩阵或相关系数（如果仅将 2 个变量作为参数给出）。相关矩阵是正方形，长度等于 a 和 b 中变量（列或行）的总数之和。

pvaluefloat

假设检验的 p 值，其零假设是两组数据线性不相关。有关备择假设，请参见上面的 alternative。pvalue 的形状与 statistic 相同。

参考文献

[CRCProbStat2000] 第 14.7 节

在本页上