相关分析的效用函数集合
korr的Python项目详细描述
科尔
相关分析的效用函数集合
目录
安装
korrgit repo可用作PyPi package
pip install korr
用法
检查笔记本的examples文件夹。
计算相关矩阵及其p值
- pearson——皮尔逊/样本相关性（区间和比率标度数据）
- kendall——肯德尔陶秩相关（序数数据）
- spearman——spearman rho秩相关（序数数据）
- mcc——二元变量之间的马修斯相关系数
eda，深入研究结果
- flatten——一个表（pandas），每个相关对对应一行，带有变量indicies，corr.，p-value。例如，尝试用
corr_vs_pval找到“好”的截止值，然后用flatten查找变量指示符。 - slice_yx——将（y，x）数据集的相关矩阵和p值矩阵切成（y，x）向量和（x，j，x）矩阵
- corr_vs_pval——找到a）高度相关对，b）不相关对，c）混合结果的p值截止值（α）的直方图。
- bracket_pval——带有更细粒度p值括号的直方图。
- corrgram——相关图，括号中p值的相关热图
实用功能
- confusion——混淆矩阵。是马修斯相关性（mcc）的要求，比sklearn的要快得多。
参数稳定性
- bootcorr——基于自举样本估计多个相关矩阵。从这里可以评估相关性估计的稳定性（对样本内变化的敏感性）。例如，稳定估计是建模的良好候选，而不稳定相关对是p-hacking和不可再现性的良好候选。
变量选择，搜索功能
- mincorr——从所有估计的相关对中，选择一个给定的
n=3,5,..变量，这些变量彼此之间的相关性低且不显著。（有关应用程序，请参见binsel包。） find_best——找到n个“最佳”，即高和最显著的相关性find_worst——找出n个“最差”，即不显著/随机和低，相关性- find_unrelated——不相关对的返回变量指示符（以不重要的p值表示）
命令
- 检查语法：
flake8 --ignore=F401 - 运行单元测试：
python -W ignore -m unittest discover - 删除
.pyc文件：find . -type f -name "*.pyc" | xargs rm - 删除
__pycache__文件夹：find . -type d -name "__pycache__" | xargs rm -rf - 用绳线上传到pypi：
python setup.py sdist && twine upload -r pypi dist/*
调试
- 分析python代码的笔记本位于profile文件夹中
支架
请open an issue支持。
贡献
请使用Github Flow进行投稿。创建分支、添加提交和open a pull request。
欢迎加入QQ群-->： 979659372
