Pearson a Spearman
Zależności liniowe a zależności rangowe
Pearson a Spearman to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Dwa sposoby obliczania korelacji
Nie każda korelacja działa tak samo. Dwie najczęściej stosowane metody, Pearson i Spearman, zadają nieco różne pytania o zależności między zmiennymi. 🔍
Co mierzy Pearson
Pearson mierzy, jak dobrze linia prosta pasuje do danych. To klasyczny wybór, gdy obie zmienne są liczbowe, a ich zależność wygląda w przybliżeniu liniowo.
r = df["income"].corr(df["spending"], method="pearson")
print(round(r, 2))Pearson wymaga liniowości
Ponieważ Pearson wykrywa tylko linie, silna, lecz zakrzywiona zależność może go zmylić. Jeśli wzorzec się wygina, wartość Pearsona może wyglądać na niską, nawet gdy rzeczywisty związek jest silny.
Pearson i wartości odstające
Pearson jest również wrażliwy na wartości odstające. Pojedynczy skrajny punkt może przesunąć współczynnik w górę lub w dół i zniekształcić obraz danych.
Co mierzy Spearman
Spearman działa na rangach wartości, a nie na liczbach surowych. Sprawdza, czy jedna zmienna ma tendencję do wzrostu wraz ze wzrostem drugiej, w dowolnym spójnym porządku.
r = df["rank_a"].corr(df["rank_b"], method="spearman")
print(round(r, 2))Zależności monotoniczne
Spearman wykrywa każdy trend monotoniczny, nawet zakrzywiony. Dopóki kierunek pozostaje spójny, zwraca wysoką wartość niezależnie od dokładnego kształtu zależności.
Odporność na wartości odstające
Ponieważ Spearman używa rang, pojedyncza nietypowa wartość ma niewielkie znaczenie. Dzięki temu jest bardziej odporny, gdy dane zawierają skrajne wartości, które wpłynęłyby na Pearsona.
Spearman i dane porządkowe
Spearman sprawdza się w przypadku danych ordinal, takich jak oceny zadowolenia lub rankingi, gdzie liczy się kolejność, ale odstępy między poziomami nie są naprawdę równe.
Gdy obie metody dają podobny wynik
Jeśli zależność jest liniowa i nie zawiera wartości odstających, Pearson i Spearman dają zbliżone wyniki. Duża różnica między nimi to użyteczny sygnał, aby przyjrzeć się danym dokładniej.
Wybór między nimi
Wybierz Pearson dla czystych, liniowych danych liczbowych. Przejdź na Spearmana, gdy masz rangi, zależności krzywoliniowe lub wartości odstające, które nie powinny zdominować wyniku.
Jeden argument metody
W pandas przełączysz metodę za pomocą jednego argumentu. Przekaż do corr wartość method równą pearson lub spearman, a reszta kodu pozostanie dokładnie taka sama.
Szybkie sprawdzenie
Twoje dane mają silny trend krzywoliniowy i kilka skrajnych wartości odstających. Która metoda będzie najlepsza?
Podsumowanie
Pearson mierzy siłę zależności liniowej na podstawie surowych liczb, natomiast Spearman porządkuje wartości według rang, aby wykrywać trendy monotoniczne i ograniczać wpływ wartości odstających. Dobierz metodę do swoich danych. ✅
Ucz się Python dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 30
- Lekcje
- 120
Często zadawane pytania
Czy lekcja „Pearson a Spearman” jest bezpłatna?
Tak — pełny tekst „Pearson a Spearman” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Pearson a Spearman”?
Zależności liniowe a zależności rangowe Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Pearson a Spearman”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Korelacja to nie przyczynowość
- Pearson a Spearman
- Odczytywanie mapy cieplnej korelacji
- Skośność, kurtoza i normalność