### 计算 Python 中 Pearson 相关系数的方法 在 Python 中，可以利用 `numpy` 和 `pandas` 这两个库来计算 Pearson 相关系数。以下是两种主要方式的具体实现。 #### 使用 NumPy 实现 可以通过调用 `numpy.corrcoef()` 函数快速计算两组变量之间的 Pearson 相关系数[^2]： ```python import numpy as np # 定义两组数据 x = np.array([1, 2, 3, 4, 5]) y = np.array([2, 4, 6, 8, 10]) # 调用 corrcoef 方法 result = np.corrcoef(x, y) print(result) ``` 上述代码会返回一个二维数组，其中 `[0][1]` 或 `[1][0]` 的位置即为所求的 Pearson 相关系数值[^3]。 --- #### 使用 Pandas 实现 如果数据存储在一个 DataFrame 中，则可以直接使用 `DataFrame.corr(method='pearson')` 来获取整个矩阵的相关系数[^1]: ```python import pandas as pd # 创建示例数据框 data = {'A': [1, 2, 3, 4, 5], 'B': [2, 4, 6, 8, 10]} df = pd.DataFrame(data) # 计算相关系数矩阵 correlation_matrix = df.corr(method='pearson') print(correlation_matrix) ``` 此方法适用于多列数据的情况，并能一次性生成完整的相关系数矩阵。 --- #### 手动实现 (基于定义公式) 为了更深入理解 Pearson 相关系数的工作原理，也可以按照其数学定义手动编写函数: \[ r_{xy} = \frac{\sum{(x_i-\bar{x})(y_i-\bar{y})}} {\sqrt{\sum{(x_i-\bar{x})^2}\cdot\sum{(y_i-\bar{y})^2}}} \] 对应的 Python 实现如下所示[^4]: ```python def manual_pearson_corr(x, y): n = len(x) mean_x = sum(x) / n mean_y = sum(y) / n diffprod = [(xi - mean_x)*(yi - mean_y) for xi, yi in zip(x, y)] var_x = [(xi - mean_x)**2 for xi in x] var_y = [(yi - mean_y)**2 for yi in y] covar_xy = sum(diffprod) std_deviation_x = (sum(var_x)) ** 0.5 std_deviation_y = (sum(var_y)) ** 0.5 return covar_xy / (std_deviation_x * std_deviation_y) # 测试数据 x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] r_value = manual_pearson_corr(x, y) print(r_value) ``` 这种方法虽然复杂度较高，但它有助于掌握底层逻辑并验证其他工具的结果准确性。 ---