Question

我正在尝试计算相关矩阵，并根据p值过滤相关性，以找出高度相关的对。

要解释我的意思，请说我有这样的数据框。

df

    A       B       C       D
0   2       NaN     2       -2
1   NaN     1       1       1.1
2   1       NaN     NaN     3.2
3   -4      NaN     2       2
4   NaN     1       2.1     NaN
5   NaN     3       1       1
6   3       NaN     0       NaN

对于相关系数。我用过pd.corr（）。此方法可以处理具有NaN值的数据帧，更重要的是，它可以容忍具有0重叠的列对（col A和col B）：

rho = df.corr()

       A          B            C           D
A   1.000000     NaN       -0.609994    0.041204
B   NaN          1.0       -0.500000    -1.000000
C   -0.609994    -0.5       1.000000    0.988871
D   0.041204     -1.0       0.988871    1.000000

挑战在于计算p值。我没有找到这样做的内置方法。但是从pandas columns correlation with statistical significance开始，@ BKay提供了一种计算p值的循环方式。如果重叠次数少于3次，则此方法会报错。所以我通过添加错误异常进行了一些修改。

ValueError：零大小数组到减少操作最大值，没有标识

pval = rho.copy()
for i in range(df.shape[1]): # rows are the number of rows in the matrix.
    for j in range(df.shape[1]):
        try:
            df_ols = pd.ols(y=df.iloc[:,i], x=df.iloc[:,j], intercept=True)
            pval.iloc[i,j]  = df_ols.f_stat['p-value']
        except ValueError:
            pval.iloc[i,j]  = None

pval
        A        B            C           D
A   0.000000    NaN         0.582343    0.973761
B   NaN         0.000000    0.666667    NaN
C   0.582343    0.666667    0.000000    0.011129
D   0.973761    NaN         0.011129    0.000000

此方法输出p值矩阵，但当原始数据帧的大小增加时（我的实际数据帧为~5000行×500列），它会变得非常慢。您建议如何有效地为大尺寸数据帧获得此p值矩阵。

Answer 1

这个问题证明是一个很好的解决方案。

Answer 2

熊猫似乎不再支持OLS，因此我通过一个稍加修改的版本进行了管道传输，该版本应具有相同的结果：

# Use this package for OLS
import statsmodels.formula.api as sm

pval = rho.copy()

for i in range(df.shape[1]): # rows are the number of rows in the matrix.
    for j in range(df.shape[1]):
        try:
            y = df.columns[i]
            x = df.columns[j]
            df_ols = sm.ols(formula = 'Q("{}") ~ Q("{}")'.format(y,x), data = df).fit()
            pval.iloc[i,j]  = df_ols.pvalues[1]
        except ValueError:
            pval.iloc[i,j]  = None

pval
sns.heatmap(pval,
            center = 0,
            cmap="Blues",
            annot = True)

plt.show()

如何有效地获得具有NaN值的数据帧的相关矩阵（具有p值）？

2 个答案: