Pandas corr() 过于频繁地返回 NaN

Posted 2023-03-12

【中文标题】Pandas corr() 过于频繁地返回 NaN

【英文标题】：Pandas corr() returning NaN too often

【发布时间】：2019-02-27 05:28:32

【问题描述】：

我正在尝试在数据帧上运行我认为应该是简单的相关函数，但它在我认为不应该的地方返回 NaN。

代码：

# setup
import pandas as pd
import io

csv = io.StringIO(u'''
id  date    num
A   2018-08-01  99
A   2018-08-02  50
A   2018-08-03  100
A   2018-08-04  100
A   2018-08-05  100
B   2018-07-31  500
B   2018-08-01  100
B   2018-08-02  100
B   2018-08-03  0
B   2018-08-05  100
B   2018-08-06  500
B   2018-08-07  500
B   2018-08-08  100
C   2018-08-01  100
C   2018-08-02  50
C   2018-08-03  100
C   2018-08-06  300
''')

df = pd.read_csv(csv, sep = '\t')

# Format manipulation
df = df[df['num'] > 50]
df = df.pivot(index = 'date', columns = 'id', values = 'num')
df = pd.DataFrame(df.to_records())

# Main correlation calculations
print df.iloc[:, 1:].corr()

主题数据框：

       A      B      C
0    NaN  500.0    NaN
1   99.0  100.0  100.0
2    NaN  100.0    NaN
3  100.0    NaN  100.0
4  100.0    NaN    NaN
5  100.0  100.0    NaN
6    NaN  500.0  300.0
7    NaN  500.0    NaN
8    NaN  100.0    NaN

corr() 结果：

    A    B    C
A  1.0  NaN  NaN
B  NaN  1.0  1.0
C  NaN  1.0  1.0

根据函数上的（有限）documentation，它应该排除“NA/null 值”。由于每一列都有重叠的值，结果不应该都是非NaN吗？

here 和 here 的讨论很好，但都没有回答我的问题。我尝试了float64 讨论的here 的想法，但也失败了。

@hellpanderr 的评论提出了一个很好的观点，我使用的是 0.22.0

额外问题 - 我不是数学家，但是在这个结果中 B 和 C 之间如何存在 1:1 的相关性？

【问题讨论】：

pandas=0.23.4 给我[[1.0, nan, 0.9998469895178864], [nan, 1.0, 0.9819805060619657], [0.9998469895178864, 0.9819805060619657, 1.0]]

我可能稍微调整了一下，我刚刚更新了代码（> 50 而不是> 10），结果与我发布的结果相同。不确定这是否会改变你的情况。

现在我得到了和你一样的结果。

如果您尝试使用 df.cov()[['C','B']] / df.std()[['C','B']].product() 手动执行此操作？

现在您正在进入我帖子的“我不是数学家”部分。真的不知道。在核心统计计算方面，我有点不知所措。

【参考方案1】：

结果似乎是您使用的数据的人工制品。在你写的时候，NAs 被忽略了，所以它基本上可以归结为：

df[['B', 'C']].dropna()

       B      C
1  100.0  100.0
6  500.0  300.0

因此，每列只剩下两个值用于计算，因此应该lead to to correlation coefficients of 1：

df[['B', 'C']].dropna().corr()

     B    C
B  1.0  1.0
C  1.0  1.0

那么，对于其余的组合，NAs 来自哪里？

df[['A', 'B']].dropna()

       A      B
1   99.0  100.0
5  100.0  100.0


df[['A', 'C']].dropna()

       A      C
1   99.0  100.0
3  100.0  100.0

所以，同样在这里，您最终每列只有两个值。不同之处在于B 和C 列仅包含一个值（100），其标准差为0：

df[['A', 'C']].dropna().std()

A    0.707107
C    0.000000

计算相关系数时，除以标准差，得到NA。

【讨论】：

Cleb - 感谢您完成繁重的工作，我认为您在关于标准偏差的最后一部分中将其钉住了。接受。

@elPastor：很高兴我能帮上忙。我应该放一个简短的故障排除部分here 并参考您的问题。