典型相关分析（Canonical Correlation Analysis, CCA）是一种研究两组变量之间线性关系的多元统计方法。虽然CCA本身并不是直接计算皮尔逊相关系数，但在CCA的过程中会涉及到各对典型变量之间的相关性度量，这种相关性的量化通常通过**皮尔逊相关系数 (Pearson Correlation Coefficient)** 来表示。 如果你希望单独实现 **皮尔逊相关系数** 的代码，并将其应用于CCA的结果验证之中，可以参考下面的内容。 --- ### Python 实现皮尔逊相关系数 假设我们有两组随机变量 X 和 Y，它们可能是单个特征或经过CCA转换后的典型变量向量，我们可以手动编写函数来计算这两个变量间的皮尔逊相关系数： #### 示例代码： ```python import numpy as np def pearson_corr(x, y): """ 手动计算X和Y之间的皮尔逊相关系数 参数: x: 第一组数据 (一维数组) y: 第二组数据 (一维数组) 返回: corr_coef: 皮尔逊相关系数 (-1 <= corr_coef <= 1) """ if len(x) != len(y): raise ValueError("x 和 y 需要有相同的长度") n = len(x) mean_x, mean_y = np.mean(x), np.mean(y) std_x, std_y = np.std(x), np.std(y) covariance = ((x - mean_x) * (y - mean_y)).sum() / n corr_coef = covariance / (std_x * std_y) return corr_coef # 测试案例 data_X = np.array([1, 2, 3, 4, 5]) data_Y = np.array([2, 4, 6, 8, 10]) corr_result = pearson_corr(data_X, data_Y) print(f"Pearson 相关系数为：{corr_result}") ``` 运行以上代码后你会获得 `data_X` 和 `data_Y` 这两组样本的相关系数结果。 --- ### 使用 Scipy 库简化计算 当然，在实际应用中也可以直接使用 `scipy.stats.pearsonr()` 函数快速得出结论： ```python from scipy.stats import pearsonr result = pearsonr(data_X, data_Y) print(f"Scipy 计算的 Pearson 相关系数为 {result[0]}，P 值为 {result[1]}") ``` 此处返回的第一个元素就是我们要找的相关系数值；第二个则是显著性检验 p-value，用于判断是否存在统计学意义上的关联。 --- ### 结合典则相关分析(CCA) 在进行完CCA之后，你可以分别取出每一对典型变量并调用上述任一种方式求得对应的相关系数。 例如从sklearn模块里调取cca模型得到变换后的矩阵 U,V 后逐列比较即可得知各自联系紧密程度。 ---