肯德尔系数主要是用来判断两个有序序列的相关性
大致的计算流程:
- 对x与y先进行排序,得到不同的值对应的顺序
- x与y配对计算,判断他们的顺序的一致对 (x的顺序与y的顺序相同) 和分歧对 (x的顺序与y的顺序相反)
- 最后根据这个顺序的统计结果计算得到肯德尔系数的结果
注:我们可以看到,如果x或y序列中有大量的值重复,比如部分完全相同的x与y序列,这个就很难区分了。因此有基于这种思想的不同的计算方法(成为肯德尔系数的变种),在scipy.stats.kendalltau
中参数variant='b'
就是指定变种。
更多请参考:scipy.stats.kendalltau文档参考:https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.kendalltau.html
简易示例:
from scipy.stats import kendalltau
if __name__ == '__main__':
corr_values = kendalltau(
[1, 2, 3, 4, 5],
[5, 4, 3, 2, 5],
)
print(corr_values)
示例代码
import pandas as pd
from sklearn.datasets import make_classification
def kendalltau_selection(x_data, y_data):
"""肯德尔相关系数"""
from scipy.stats import kendalltau
param_dict = []
for col_name, c_data in x_data.iteritems():
sp = kendalltau(c_data, y_data)[0]
param_dict.append([col_name, abs(sp)])
max_param3 = sorted(param_dict, key=lambda x: -x[1]) # 对结果排序
# 打印结果
print("kendalltau:")
for param in max_param3:
print(param[0], ":", param[1])
if __name__ == '__main__':
value_x, value_y = make_classification(n_samples=1000, n_classes=4, n_features=10, n_informative=8)
df_x = pd.DataFrame(value_x, columns=['f_1', 'f_2', 'f_3', 'f_4', 'f_5', 'f_6', "f_7", "f_8", "f_9", "f_10"])
df_y = pd.Series(value_y)
# 下面是筛选单变量特征
feature_df = kendalltau_selection(df_x, value_y)
参考资料
常用的特征选择方法之 Kendall 秩相关系数:https://guyuecanhui.github.io/2019/08/10/feature-selection-kendall/