特徵相關性

在主成份分析、數據探索上，經常要探索特徵與特徵、特徵與因變量之間的相關性。下面記錄幾種相關性探索的方法。

方法一：單個特徵與因變量的相關性直觀顯視

import matplotlib
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')#設置數據可視化主題

names = col_name.copy() # 列名
names.remove('onset_diabetes') # 移除因變量後得到特徵

for name in names:
    plt.hist(pima[name][pima['onset_diabetes']==0],10,alpha=0.5,label='non_diabetes')
    plt.hist(pima[name][pima['onset_diabetes']==1],10,alpha=0.5,label='diabetes')
    plt.xlabel(name)
    plt.ylabel("frequency")
    plt.title('histogram of {}'.format(name))
    plt.show()

這裏只放出其中一個特徵與因變量的相關性。由圖可以看出，因變量結果“diabetes”與“non_diabetes”在特徵“plasma_glucose_concentration”的分佈明顯相差很大，所以因變量“onset_diabetes”與特徵“plasma_glucose_concentration”的相關性很強。

方法二：相關矩陣

import seaborn as sns
sns.heatmap(pima.corr())

相關係數越大，相關性越強。如上相關矩陣圖，可以看到特徵times_pregnant與特徵age的相關性最強；如果只看特徵與因變量之間關係的話，plasma_glucose_concentration與因變量的相關性最強。

方法三：相關係數

print(pima.corr()["onset_diabetes"])

這是直接打印相關係數，更準確地表達特徵與因變量之間的相關性。