如何检查连续变量和分类变量之间的相关性？

问题描述

我有一个包含类别变量(二进制)和连续变量的数据集。我正在尝试应用线性回归模型来预测一个连续变量。有人能告诉我如何检查分类变量和连续目标变量之间的相关性吗？

当前编码：

import pandas as pd
df_hosp = pd.read_csv('C:UsersLAPPY-2DesktopLengthOfStay.csv')

data = df_hosp[['lengthofstay', 'male', 'female', 'dialysisrenalendstage', 'asthma', 
              'irondef', 'pneum', 'substancedependence', 
              'psychologicaldisordermajor', 'depress', 'psychother', 
              'fibrosisandother', 'malnutrition', 'hemo']]
print data.corr()

除停留时间外，所有变量都是绝对的。这应该起作用吗？

---

解决方案

将类别变量转换为虚拟变量here并将变量放入numpy.array中。例如：

data.csv：

age,size,color_head
4,50,black
9,100,blonde
12,120,brown
17,160,black
18,180,brown

提取数据：

import numpy as np
import pandas as pd

df = pd.read_csv('data.csv')

df：

将类别变量color_head转换为虚拟变量：

df_dummies = pd.get_dummies(df['color_head'])
del df_dummies[df_dummies.columns[-1]]
df_new = pd.concat([df, df_dummies], axis=1)
del df_new['color_head']

df_new：

将其放入Numpy数组：

x = df_new.values

计算相关性：

correlation_matrix = np.corrcoef(x.T)
print(correlation_matrix)

输出：

array([[ 1.        ,  0.99574691, -0.23658011, -0.28975028],
       [ 0.99574691,  1.        , -0.30318496, -0.24026862],
       [-0.23658011, -0.30318496,  1.        , -0.40824829],
       [-0.28975028, -0.24026862, -0.40824829,  1.        ]])

请参阅：

numpy.corrcoef