相关疑难解决方法(0)

我最近开始合作pandas.任何人都可以.corrwith()用Series和解释我的功能行为的差异DataFrame吗？

假设我有一个DataFrame:

frame = pd.DataFrame(data={'a':[1,2,3], 'b':[-1,-2,-3], 'c':[10, -10, 10]})

我想要计算特征'a'和所有其他特征之间的相关性.我可以通过以下方式完成:

frame.drop(labels='a', axis=1).corrwith(frame['a'])

结果将是:

b   -1.0
c    0.0

但非常相似的代码:

frame.drop(labels='a', axis=1).corrwith(frame[['a']])

生成绝对不同且不可接受的表格:

a   NaN
b   NaN
c   NaN

所以,我的问题是:为什么在DataFrame作为第二个参数的情况下我们得到如此奇怪的输出？

我从两个数据帧开始使用此函数（请参阅底部）来计算Pearson和Pval，但是我对Pval的结果不满意：似乎有太多的负相关性很重要。

为了与Pearson一起计算Pval，是否有更优雅的方法（如单行代码）？

这两个答案（pandas.DataFrame corrwith（）方法）和（一个数据帧与另一个数据帧的相关矩阵）提供了很好的解决方案，但是缺少了P值计算。

这是代码：

def pearson_cross_map(df1, df2):
    """Correlate each Mvar with each Nvar.

    Parameters
    ----------
    df1 : dataframe1
    Shape Mobs X Mvar.

    df2 : dataframe2
    Shape Nobs X Nvar.

    Returns
    -------
    DFcorr, dataframe Mvar x Nvar in which each element is a Pearson 
correlation coefficient.
    DFpval, dataframe Mvar x Nvar in which each element is a P value (one-tailed).

    """

    intersection = (df1.index & df2.index).tolist()
    df1 = df1.convert_objects(convert_numeric=True) 
    df1 = df1.T[intersection].T 
    df1 = …