脑影像分析|数据分析——单个变量或多个变量与y的皮尔逊相关，同时返回r与p值（python）

| 图源

皮尔逊相关是计算两个变量之间线性相关关系，或者两个向量共线程度的常用指标，应返回衡量相关程度的r值，和相关显著程度的p值。我们熟知的工具包，如pandas，numpy和scipy等，只能计算 单个变量x与变量y之间的相关值，或者多个变量两两相关的 相关矩阵。当我们想要分别计算多个变量X与y之间的相关关系时，就需要自己手撕代码。如果觉得手撕代码太费头发，或者对代码不怎么精通，那么就往下看吧。笔者废了好大一把头发，基于numpy和scipy撕三个函数方法，帮你快速实现 多个变量与y之间的相关关系，并同时返回r和p值。

copyright© 意疏：https://blog.csdn.net/sinat_35907936/article/details/123805702

; 单个变量与y的皮尔逊相关

简单描述一下我们常用的求皮尔逊相关方法的使用。如果目标是求两个变量之间相关关系，并且需要返回p值，用scipy。如果是求多个变量两两相关的相关矩阵，用numpy和pandas，具体用什么，取决于输入是DataFrame还是numpy数组。

假设我们有以下数据，变量x和变量y都具有100个观测值。

import numpy as np

np.random.seed(3)
x= 2 + np.random.random(100)
y = 1 + np.random.random(100)

输入x，y，都是一维向量，其返回向量x与向量y的r和p值。对上述模拟数据求相关，如下。

import numpy as np
from scipy.stats import pearsonr

np.random.seed(3)
x= 2 + np.random.randn(100)
y = 1 + np.random.randn(100)
r, p = pearsonr(x, y)

print(r, p)

输入就是DataFrame本身，函数计算表格中任意两列两两之间的相关值（注意一个变量的所有观测值放一列），最后返回一个相关矩阵，不包含p值。注意到该函数不包含y，要求x与y的相关关系，需要把x和y拼接在一起，再调用该方法。对上述模拟数据求相关，如下。

import numpy as np
import pandas as pd

np.random.seed(3)
x= 2 + np.random.randn(100)
y = 1 + np.random.randn(100)

xy = np.vstack((x, y)).T
pd_xy = pd.DataFrame(xy)

r_mat = pd_xy.corr()
print(r_mat)

r = np.array(r_mat.iloc[0,1].squeeze())
print(r)

该方法自由度比较高，输入X可以是向量或矩阵，输入y也可以是向量或者矩阵且不是必要参数，返回一个相关矩阵，不包含p值。当输入只有x时，效果与上述pandas相同（注意一个变量的所有观测值默认放一行，设置rowvar=False，一个变量的所有观测值将放一列），当x与y都存在时，函数会自动拼接x和y，形成xy，再求相关矩阵，相当于省去了pandas里拼接的步骤。对上述模拟数据求相关，如下。

import numpy as np

np.random.seed(3)
x= 2 + np.random.randn(100)
y = 1 + np.random.randn(100)

r_mat = np.corrcoef(x,y, rowvar=False)
print(r_mat)

r = r_mat[0,1].squeeze()
print(r)

copyright© 意疏：https://blog.csdn.net/sinat_35907936/article/details/123805702

多个变量与y的皮尔逊相关

假设我们有以下数据，X包含10个变量，每个变量1000个观测值，变量y包含1000个观测值。现在需要求X中每一个变量与y的皮尔逊相关，然后分别返回r和p。

import numpy as np

np.random.seed(3)

X = 2 + np.random.randn(1000,10)
y = 1 + np.random.randn(1000)

• *循环单变量法——不推荐

循环遍历所有的变量，这是最容易想到，最简单，却非常低效的方法。在变量很多的时候，这种方法的效率将远远低于后面两种方法。

"""
@author: CSDN 意疏
"""
import time
import numpy as np
from scipy.stats import pearsonr

def batch_pearsonr(X, y):

    X = np.array(X)
    y = np.array(y)
    cols = X.shape[1]

    p_list = []
    r_list = []

    for col in range(cols):
        r, p = pearsonr(X[:, col], y)
        p_list.append(p)
        r_list.append(r)

    return np.array(r_list), np.array(p_list)

if '__name == __main__':

    np.random.seed(3)

    X = 2 + np.random.randn(1000,100)
    y = 1 + np.random.randn(1000)

    st = time.time()
    r, p = batch_pearsonr(X, y)
    print(time.time()-st)
    print(r)
    print(p)

0.007961273193359375
[-0.0227441   0.00720729  0.01410081  ... -0.028843    0.05403485  0.00350507]
[0.47249521 0.81993201 0.65605162 ... 0.36221919 0.08766555 0.91185276]

• *公式法——推荐

由皮尔逊相关的公式，推出多个变量与y相关的公式，然后实现。都是矩阵乘法，加上numpy高效率，这种方法效率会远高于上述循环单变量法。
r = 1 N ∑ i = 1 N ( x i − x ‾ ) ( y i − y ‾ ) σ x σ y (1) \tag 1 r = \cfrac {\cfrac 1 N \sum^N_{i=1}(x_i – \overline x)(y_i- \overline y)} {\sigma_{\bold x} \sigma_{\bold y}}r =σx ​σy ​N 1 ​∑i =1 N ​(x i ​−x )(y i ​−y ​)​(1 )

= ( x − x ‾ ) T ( y − y ‾ ) N ∗ σ x σ y (2) \tag 2 = \cfrac {(\bold x- \overline x)^T( y – \overline y)} {N*\sigma_{\bold x} \sigma_{\bold y} }=N ∗σx ​σy ​(x −x )T (y −y ​)​(2 )

r = ( X − X ‾ ) T ( y − y ‾ ) N ∗ σ X σ y (3) \tag 3 \bold r= \cfrac {(\bold X- \overline X)^T(\bold y – \overline y)} {N*\sigma_{\bold X} \sigma_{\bold y} }r =N ∗σX ​σy ​(X −X )T (y −y ​)​(3 )

求p值参考了scipy源码，通过btdtr函数来实现。

"""
@author: CSDN 意疏
"""

import time
import numpy as np
from scipy.special import btdtr

def batch_pearsonr(X, y):

    X = np.array(X)
    y = np.array(y)
    N = X.shape[0]

    X_center = X - X.mean(axis=0)
    X_std = X.std(axis=0)
    y_center = y - y.mean()
    y_std = y.std()

    r = np.dot(y_center.T, X_center)/(N*X_std*y_std)
    r[r>1]=1
    r[r<-1]=-1

    ab = N/2 - 1
    p = 2*btdtr(ab, ab, 0.5*(1 - abs(np.float64(r))))

    return r, p

if '__name == __main__':

    np.random.seed(3)

    X = 2 + np.random.randn(1000,100)
    y = 1 + np.random.randn(1000)

    st = time.time()
    r, p = batch_pearsonr(X, y)
    print(time.time()-st)
    print(r)
    print(p)

在只有100个变量的情况下，公式法比循环单变量法效率也要高近一个数量级。

0.000997304916381836
[-0.0227441   0.00720729  0.01410081 ... -0.028843    0.05403485  0.00350507]
[0.47249521 0.81993201 0.65605162 ... 0.36221919 0.08766555 0.91185276]

• *相关矩阵法——在较少变量时推荐

一个变量与其他所有变量的相关值，是包含在变量间两两相关得到的相关矩阵中的，就像上述基于numpy和pandas的单变量相关。那么只要把X和y拼接起来，形成Xy，就可以通过算相关矩阵的方式，得到y与X中每一个变量的相关值。由于y拼在X后面，所以相关矩阵最后一行就是y与Xy中每个变量的相关值，去掉最后一个自相关值，就可以得到y与X中每一个变量的相关值了。为了代码简洁性，此处用numpy而非pandas。

numpy本身不返回p值，所以求p值参考了scipy源码，通过btdtr函数来实现。

"""
@author: CSDN 意疏
"""
import time
import numpy as np
from scipy.special import btdtr

def batch_pearsonr(X, y):

    N = X.shape[0]
    r_mat = np.corrcoef(X,y, rowvar=False)
    r = r_mat[-1,:-1].squeeze()
    ab = N/2 - 1
    p = 2*btdtr(ab, ab, 0.5*(1 - abs(np.float64(r))))
    return r, p

if '__name == __main__':

    np.random.seed(3)

    X = 2 + np.random.randn(1000,100)
    y = 1 + np.random.randn(1000)

    st = time.time()
    r, p = batch_pearsonr(X, y)
    print(time.time()-st)
    print(r)
    print(p)

从模拟数据结果上看，虽然相关矩阵大量值都是白算的，但是它的效率却比循环单变量法高很多，与公式法相当，但赢在代码量少。不过当变量数目非常多的时候，这种方法效率可能比循环单变量法还低，因为涉及大量的不必要计算。

0.0010364055633544922
[-0.0227441   0.00720729  0.01410081 ... -0.028843 0.05403485  0.00350507]
[0.47249521 0.81993201 0.65605162 ... 0.36221919 0.08766555 0.91185276]

copyright© 意疏：https://blog.csdn.net/sinat_35907936/article/details/123805702

参考

https://blog.csdn.net/sinat_35907936/article/details/115253078?spm=1001.2014.3001.5501
https://github.com/scipy/scipy/blob/v1.8.0/scipy/stats/_stats_py.py#L3900-L4117

Original: https://blog.csdn.net/sinat_35907936/article/details/123805702
Author: 意疏
Title: 脑影像分析|数据分析——单个变量或多个变量与y的皮尔逊相关，同时返回r与p值（python）