我有一个数据集,包括分类变量(二进制)和连续变量。我正在尝试应用线性回归模型来预测连续变量。谁能告诉我如何检查分类变量和连续目标变量之间的相关性。
当前代码:
import pandas as pd
df_hosp = pd.read_csv('C:\Users\LAPPY-2\Desktop\LengthOfStay.csv')
data = df_hosp[['lengthofstay', 'male', 'female', 'dialysisrenalendstage', 'asthma', \
'irondef', 'pneum', 'substancedependence', \
'psychologicaldisordermajor', 'depress', 'psychother', \
'fibrosisandother', 'malnutrition', 'hemo']]
print data.corr()
除了 lengthofstay 之外的所有变量都是分类变量。这应该有效吗?
最佳答案
将分类变量转换为虚拟变量 here并将您的变量放入 numpy.array 中。例如:
数据.csv:
age,size,color_head
4,50,black
9,100,blonde
12,120,brown
17,160,black
18,180,brown
提取数据:
import numpy as np
import pandas as pd
df = pd.read_csv('data.csv')
df:
将分类变量 color_head
转换为虚拟变量:
df_dummies = pd.get_dummies(df['color_head'])
del df_dummies[df_dummies.columns[-1]]
df_new = pd.concat([df, df_dummies], axis=1)
del df_new['color_head']
df_new:
将其放入 numpy 数组中:
x = df_new.values
计算相关性:
correlation_matrix = np.corrcoef(x.T)
print(correlation_matrix)
输出:
array([[ 1. , 0.99574691, -0.23658011, -0.28975028],
[ 0.99574691, 1. , -0.30318496, -0.24026862],
[-0.23658011, -0.30318496, 1. , -0.40824829],
[-0.28975028, -0.24026862, -0.40824829, 1. ]])
参见:
关于python - 如何检查连续变量和分类变量之间的相关性?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44694228/