如果我有两个小列表,并且想要找到list1内的每个列表与list2内的每个列表之间的相关性,则可以执行此操作
from scipy.stats import pearsonr
list1 = [[1,2,3],[4,5,6],[7,8,9],[10,11,12]]
list2 = [[10,20,30],[40,50,60],[77,78,79],[80,78,56]]
corrVal = []
for i in list1:
for j in list2:
corrVal.append(pearsonr(i,j)[0])
print(corrVal)
OUTPUT: [1.0, 1.0, 1.0, -0.90112711377916588, 1.0, 1.0, 1.0, -0.90112711377916588, 1.0, 1.0, 1.0, -0.90112711377916588, 1.0, 1.0, 1.0, -0.90112711377916588]
效果很好...就在附近。(编辑:只是注意到我上面的相关输出似乎给出了正确的答案,但它们重复了4次。不完全确定为什么这样做了)
但是,对于列表中具有1000个值的较大数据集,我的代码将无限期冻结,不输出任何错误,因此使我每次都强制退出IDE。有什么想法我要溜到这里吗?不确定对pearsonr函数可以处理的数量是否存在固有限制,或者我的编码是否引起了问题。
scipy模块scipy.spatial.distance
包含一个称为Pearson距离的距离函数,该函数只是1减去相关系数。通过使用参数metric='correlation'
中scipy.spatial.distance.cdist
,可以有效地计算皮尔逊相关系数为在两个输入每对载体。
这是一个例子。我将修改您的数据,以使系数变化更大:
In [96]: list1 = [[1, 2, 3.5], [4, 5, 6], [7, 8, 12], [10, 7, 10]]
In [97]: list2 = [[10, 20, 30], [41, 51, 60], [77, 80, 79], [80, 78, 56]]
因此,我们知道了什么,这是使用来计算的相关系数scipy.stats.pearsonr
:
In [98]: [pearsonr(x, y)[0] for x in list1 for y in list2]
Out[98]:
[0.99339926779878296,
0.98945694873927104,
0.56362148019067804,
-0.94491118252306794,
1.0,
0.99953863896044937,
0.65465367070797709,
-0.90112711377916588,
0.94491118252306805,
0.93453339271427294,
0.37115374447904509,
-0.99339926779878274,
0.0,
-0.030372836961539348,
-0.7559289460184544,
-0.43355498476205995]
在数组中查看它们更方便:
In [99]: np.array([pearsonr(x, y)[0] for x in list1 for y in list2]).reshape(len(list1), len(list2))
Out[99]:
array([[ 0.99339927, 0.98945695, 0.56362148, -0.94491118],
[ 1. , 0.99953864, 0.65465367, -0.90112711],
[ 0.94491118, 0.93453339, 0.37115374, -0.99339927],
[ 0. , -0.03037284, -0.75592895, -0.43355498]])
这是使用计算得出的相同结果cdist
:
In [100]: from scipy.spatial.distance import cdist
In [101]: 1 - cdist(list1, list2, metric='correlation')
Out[101]:
array([[ 0.99339927, 0.98945695, 0.56362148, -0.94491118],
[ 1. , 0.99953864, 0.65465367, -0.90112711],
[ 0.94491118, 0.93453339, 0.37115374, -0.99339927],
[ 0. , -0.03037284, -0.75592895, -0.43355498]])
使用cdist
它比在嵌套循环中调用要快得多pearsonr
。在这里,我将使用两个数组data1
和data2
,每个数组的大小分别为(100,10000):
In [102]: data1 = np.random.randn(100, 10000)
In [103]: data2 = np.random.randn(100, 10000)
我将使用便捷的%timeit
命令ipython
来测量执行时间:
In [104]: %timeit c1 = [pearsonr(x, y)[0] for x in data1 for y in data2]
1 loop, best of 3: 836 ms per loop
In [105]: %timeit c2 = 1 - cdist(data1, data2, metric='correlation')
100 loops, best of 3: 4.35 ms per loop
嵌套循环的时间为836毫秒,而嵌套循环的时间为4.35毫秒cdist
。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句