Pearson kontra Spearman
Lineære sammenhænge kontra rangsammenhænge.
Pearson kontra Spearman er en gratis Data Science Academy-lektion på CoddyKit. Dette er lektion 2 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Data Science Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Data Science Academy-kurset indeholder 4 lektioner i alt.
To måder at beregne korrelation på
Al korrelation er ikke ens. De to mest almindelige metoder, Pearson og Spearman, stiller lidt forskellige spørgsmål om, hvordan dine variable hænger sammen. 🔍
Hvad Pearson måler
Pearson måler, hvor godt en ret linje passer til dine data. Det er det klassiske valg, når begge variable er numeriske, og deres sammenhæng ser nogenlunde lineær ud.
r = df["income"].corr(df["spending"], method="pearson")
print(round(r, 2))Pearson kræver linearitet
Fordi Pearson kun ser linjer, kan en stærk, men buet sammenhæng snyde metoden. Hvis mønsteret bøjer, kan Pearson-værdien se svag ud, selvom der findes en reel sammenhæng.
Pearson og afvigende værdier
Pearson er også følsom over for afvigende værdier. Ét ekstremt punkt kan trække koefficienten op eller ned og give et misvisende billede af dine data.
Hvad Spearman måler
Spearman arbejder med rangeringen af dine værdier, ikke de rå tal. Metoden undersøger, om den ene variabel typisk stiger, når den anden stiger, i en konsekvent rækkefølge.
r = df["rank_a"].corr(df["rank_b"], method="spearman")
print(round(r, 2))Monotone sammenhænge
Spearman indfanger enhver monoton tendens, også en buet. Så længe retningen er konsekvent, rapporterer den en stærk score uanset den præcise form.
Robust over for afvigende værdier
Da Spearman bruger rangeringer, betyder én ekstrem værdi næsten ingenting. Derfor er den mere robust, når dine data indeholder yderpunkter, der ville påvirke Pearson.
Spearman og ordinale data
Spearman er særligt velegnet til ordinale data som tilfredshedsvurderinger eller ranglister, hvor rækkefølgen betyder noget, men afstandene mellem niveauerne ikke er reelt ens.
Når begge er enige
Hvis en sammenhæng er lineær og uden afvigende værdier, ligger Pearson og Spearman tæt på hinanden. En stor forskel mellem dem er et nyttigt signal om, at du bør se nærmere efter.
Vælg mellem dem
Vælg Pearson til rene, lineære numeriske data. Skift til Spearman, når du har rangeringer, kurver eller afvigende værdier, som du ikke vil have skal dominere resultatet.
Ét argument til metoden
I pandas skifter du med ét argument. Angiv method som enten pearson eller spearman til corr, så kan resten af din kode forblive helt uændret.
Hurtigt tjek
Dine data har en stærk buet tendens og nogle få ekstreme afvigende værdier. Hvilken metode passer bedst?
Opsummering
Pearson måler lineær styrke på rå tal, mens Spearman rangerer værdier for at opfange monotone tendenser og ignorere afvigende værdier. Tilpas metoden til dine data. ✅
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 30
- Lektioner
- 120
Ofte stillede spørgsmål
Er lektionen “Pearson kontra Spearman” gratis?
Ja — hele teksten til “Pearson kontra Spearman” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Data Science Academy-kurset, skal du opgradere til CoddyKit PRO. Data Science Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Pearson kontra Spearman”?
Lineære sammenhænge kontra rangsammenhænge. Du øver dig i Data Science Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Data Science Academy?
Der kræves ingen tidligere erfaring. Data Science Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 4.
Hvor lang tid tager lektionen “Pearson kontra Spearman”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Data Science Academy-lektion?
Ja. Alle Data Science Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Korrelation er ikke kausalitet
- Pearson kontra Spearman
- Aflæs et korrelations-heatmap
- Skævhed, kurtosis og normalitet