数据挖掘 - 将列中的值读取到变量中，然后使用 Python 进行关联 - 吾爱随笔录

将列中的值读取到变量中，然后使用 Python 进行关联

数据挖掘 Python 熊猫

2022-02-24 08:06:36

我希望能够关联来自各种 ID 的值，其中日期彼此相同。

数据看起来像这样；

ID      Time(secs)   Date
AAAA    1            01/01/1990
AAAA    6            02/01/1990
AAAA    5            03/01/1990
AAAA    2            04/01/1990
AAAA    4            05/01/1990
BBBB    2            01/01/1990
BBBB    4            02/01/1990
BBBB    6            03/01/1990
BBBB    3            04/01/1990
CCCC    3            01/01/1990
CCCC    4            02/01/1990
CCCC    1            03/01/1990
CCCC    6            04/01/1990
DDDD    7            01/01/1990
DDDD    4            02/01/1990
DDDD    5            03/01/1990
DDDD    3            04/01/1990

我想找到这些 ID 的每个组合之间的相关系数，其中有匹配的日期。注意并非所有 ID 的日期都相同；

ID             CorrCoef
AAAA>BBBB      ????
AAAA>CCCC
AAAA>DDDD
BBBB>CCCC
BBBB>DDDD
CCCC>DDDD

我想我需要将每个 ID 中的数据输入一个变量，然后运行以下命令；

data1.corr(data2)

1个回答

如果我理解正确，您可以执行以下操作：

In [42]: df
Out[42]:
      ID  Time(secs)        Date
0   AAAA           1  01/01/1990
1   AAAA           6  02/01/1990
2   AAAA           5  03/01/1990
3   AAAA           2  04/01/1990
4   AAAA           4  05/01/1990
5   BBBB           2  01/01/1990
6   BBBB           4  02/01/1990
7   BBBB           6  03/01/1990
8   BBBB           3  04/01/1990
9   CCCC           3  01/01/1990
10  CCCC           4  02/01/1990
11  CCCC           1  03/01/1990
12  CCCC           6  04/01/1990
13  DDDD           7  01/01/1990
14  DDDD           4  02/01/1990
15  DDDD           5  03/01/1990
16  DDDD           3  04/01/1990

In [43]: df.pivot(index='Date', columns='ID', values='Time(secs)').corr()
Out[43]:
ID        AAAA      BBBB      CCCC      DDDD
ID
AAAA  1.000000  0.778924 -0.336336 -0.368964
BBBB  0.778924  1.000000 -0.609449 -0.257143
CCCC -0.336336 -0.609449  1.000000 -0.609449
DDDD -0.368964 -0.257143 -0.609449  1.000000

虚拟助手 DF：

In [44]: df.pivot(index='Date', columns='ID', values='Time(secs)')
Out[44]:
ID          AAAA  BBBB  CCCC  DDDD
Date
01/01/1990   1.0   2.0   3.0   7.0
02/01/1990   6.0   4.0   4.0   4.0
03/01/1990   5.0   6.0   1.0   5.0
04/01/1990   2.0   3.0   6.0   3.0
05/01/1990   4.0   NaN   NaN   NaN

其它你可能感兴趣的问题