R语言两列pearson R值

原创

mob64ca12df5e97 2024-09-03 06:37:10 ©著作权

文章标签 数据示例代码数据分析 文章分类 R语言后端开发

©著作权归作者所有：来自51CTO博客作者mob64ca12df5e97的原创作品，请联系作者获取转载授权，否则将追究法律责任

R语言中的Pearson相关性分析

在数据分析中，我们常常希望了解两个变量之间的关系。Pearson相关系数是一种衡量两个变量线性关系强度和方向的统计量。本篇文章将介绍如何在R语言中计算Pearson相关系数，并通过示例和可视化帮助读者更好地理解这一概念。

什么是Pearson相关系数？

Pearson相关系数（通常用符号“R”表示）是一个介于-1到1之间的数值：

R = 1：表示两个变量之间存在正线性关系。
R = -1：表示两个变量之间存在负线性关系。
R = 0：表示两个变量之间没有线性关系。

计算Pearson相关系数的公式

Pearson相关系数的计算公式为：

[ R = \frac{\sum{(X_i - \bar{X})(Y_i - \bar{Y})}}{\sqrt{\sum{(X_i - \bar{X})^2} \sum{(Y_i - \bar{Y})^2}}} ]

其中，(X_i)和(Y_i)分别是两个变量的值，(\bar{X})和(\bar{Y})是它们的均值。

在R中计算Pearson相关系数

在R语言中，计算Pearson相关系数非常简单。我们可以使用内置的 cor() 函数来完成这一任务。下面是一个关于如何使用R语言计算两个变量间Pearson相关系数的示例。

示例代码

我们将使用一组示例数据，假设我们有两组相关数据，分别为身高（height）和体重（weight）。

# 创建示例数据
height <- c(150, 160, 170, 180, 190)
weight <- c(50, 60, 70, 80, 90)

# 计算Pearson相关系数
correlation <- cor(height, weight)
print(paste("Pearson相关系数为:", correlation))

结果分析

运行上述代码后，我们可以得到输出结果，比如“Pearson相关系数为: 1”，说明身高和体重之间存在完全的正线性关系。这是由于数据本身的线性特征。

数据可视化

为了更直观地理解身高和体重之间的关系，我们可以使用散点图（scatter plot）来展示数据点的分布。下面是创建散点图的R代码：

# 绘制散点图
plot(height, weight, 
     main = "身高与体重的关系", 
     xlab = "身高 (cm)", 
     ylab = "体重 (kg)", 
     col = "blue", 
     pch = 19)
      
# 添加拟合线
abline(lm(weight ~ height), col="red")

上述代码中，我们使用 plot() 函数绘制散点图，并使用 abline() 函数添加了一条线性回归拟合线。运行后，我们能够看到散点图以及身高和体重之间的线性趋势。

使用Mermaid语言展示关系图

通过数据可视化，我们不仅可以观察到数据点的位置，还可以通过关系图更清晰地展示变量之间的关系。以下是使用Mermaid语言表示的示例关系图：

erDiagram
    HEIGHT {
        int id
        float height_value
    }
    
    WEIGHT {
        int id
        float weight_value
    }
    
    HEIGHT ||--o{ WEIGHT : relates_to

在这个关系图中，我们可以看到“身高”与“体重”之间的关系展示。通过这种方法，我们能够以更概念化的方式理解数据点的交互。