Pearson e Spearman a confronto
Relazioni lineari e basate sui ranghi.
Pearson e Spearman a confronto è una lezione Data Science Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Data Science Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Data Science Academy include 4 lezioni in totale.
Due modi per calcolare la correlazione
Non tutte le correlazioni sono uguali. I due metodi più comuni, Pearson e Spearman, pongono domande leggermente diverse sul rapporto tra le variabili. 🔍
Che cosa misura Pearson
Pearson misura quanto bene una retta si adatta ai dati. È la scelta classica quando entrambe le variabili sono numeriche e la loro relazione appare approssimativamente lineare.
r = df["income"].corr(df["spending"], method="pearson")
print(round(r, 2))Pearson richiede la linearità
Poiché Pearson rileva solo le rette, una relazione forte ma curva può trarlo in inganno. Se lo schema si incurva, il valore di Pearson può sembrare debole anche quando esiste un legame reale.
Pearson e i valori anomali
Pearson è anche sensibile ai valori anomali. Un singolo punto estremo può spostare il coefficiente verso l'alto o verso il basso e offrire un'immagine fuorviante dei dati.
Che cosa misura Spearman
Spearman lavora sui ranghi dei valori, non sui numeri grezzi. Verifica se una variabile tende ad aumentare quando aumenta l'altra, secondo un ordine coerente.
r = df["rank_a"].corr(df["rank_b"], method="spearman")
print(round(r, 2))Relazioni monotone
Spearman cattura qualsiasi tendenza monotona, anche curva. Finché la direzione resta coerente, restituisce un punteggio elevato indipendentemente dalla forma esatta.
Robusto ai valori anomali
Poiché Spearman usa i ranghi, un valore estremo incide appena. Per questo è più robusto quando i dati contengono valori estremi che influenzerebbero Pearson.
Spearman e i dati ordinali
Spearman è particolarmente adatto ai dati ordinali, come valutazioni di soddisfazione o graduatorie, in cui conta l'ordine ma le differenze tra i livelli non sono realmente uguali.
Quando concordano entrambi
Se una relazione è lineare e priva di valori anomali, Pearson e Spearman producono risultati simili. Una grande differenza tra i due è un utile segnale da esaminare meglio.
Scegliere tra i due
Scelga Pearson per dati numerici puliti e lineari. Passi a Spearman quando ha ranghi, curve o valori anomali che non vuole far dominare il risultato.
Un argomento per il metodo
In pandas può cambiare metodo con un solo argomento. Passi method come pearson o spearman a corr e il resto del codice rimarrà esattamente uguale.
Verifica rapida
I dati mostrano una forte tendenza curva e alcuni valori anomali estremi. Quale metodo è più adatto?
Riepilogo
Pearson misura l'intensità lineare sui numeri grezzi, mentre Spearman ordina i valori per rilevare tendenze monotone e ridurre l'effetto dei valori anomali. Scelga il metodo in base ai dati. ✅
Impara Python con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 30
- Lezioni
- 120
Domande Frequenti
La lezione «Pearson e Spearman a confronto» è gratuita?
Sì — il testo completo di «Pearson e Spearman a confronto» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Data Science Academy, passa a CoddyKit PRO. Il corso Data Science Academy include 4 lezioni in totale.
Cosa imparerò in «Pearson e Spearman a confronto»?
Relazioni lineari e basate sui ranghi. Eserciti Data Science Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Data Science Academy?
Non è richiesta alcuna esperienza precedente. Data Science Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «Pearson e Spearman a confronto»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Data Science Academy?
Sì. Ogni lezione Data Science Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- La correlazione non è causalità
- Pearson e Spearman a confronto
- Leggere una heatmap delle correlazioni
- Asimmetria, curtosi e normalità