3.8 有关相关性分析的混沌
说明：本文是《Python数据分析与数据化运营》中的“3.8 有关相关性分析的混沌”。
-----------------------------下面是正文内容--------------------------
相关性分析是指对多个具备相关关系的变量进行分析，从而衡量变量间的相关程度或密切程度。相关性可以应用到所有数据的分析过程中，任何事物之间都是存在一定的联系。相关性用R（相关系数）表示，R的取值范围是[-1,1]。
3.8.1 相关和因果是一回事吗
相关性不等于因果，用x1和x2作为两个变量进行解释，相关意味着x1和x2是逻辑上的并列相关关系，而因果联系可以解释为因为x1所以x2（或因为x2所以x1）的逻辑关系，二者是完全不同的。
用一个运营示例来说明二者的关系：
做商品促销活动时，通常都会以较低的价格进行销售，以此来实现较高的商品销量；随着商品销售的提升，也给线下物流配送体系带来了更大的压力，在该过程中通常会导致商品破损量的增加。
本案例中，商品低价与破损量增加并不是因果关系，即不能说因为商品价格低所以商品破损量增加；二者的真实关系是都是基于促销这个大背景下，低价和破损量都是基于促销产生。
相关性的真实价值不是用来分析“为什么”，而是通过相关性来描述无法解释问题背后真正成因的方法。相关性的真正的价值是能知道“是什么”，即无论通过何种因素对结果产生影响，最终出现的规律就是二者会一起增加/降低等。
仍然是上面的案例，通过相关性分析我们可以知道，商品价格低和破损量增加是相伴发生的，这意味着当价格低的时候（通常是做销售活动，也有可能产品质量问题、物流配送问题、包装问题等），我们就想到破损量可能也会增加；但是到底由什么导致的破损量增加，是无法通过相关性来得到的。
3.8.2 相关系数低就是不相关吗
R（相关系数）低就是不相关吗？其实不是。
首先，R的取值可以为负，R=-0.8代表的相关性要高于R=0.5，负相关只是意味着两个变量的增长趋势相反。因此需要看R的绝对值来判断相关性的强弱。
其次，即使R的绝对值低，也不一定说明变量间的相关性低，原因是相关性衡量的仅仅是变量间的线性相关关系，变量间除了线性关系外，还包括指数关系、多项式关系、幂关系等，这些“非线性相关”的相关性不是R（相关性分析）的衡量范围之内。
3.8.3 代码实操：Python相关性分析
本示例中，将使用Numpy进行相关性分析。源文件data5.txt位于“附件-chapter3”中，默认工作目录为“附件-chapter3”（如果不是，请cd切换到该目录下，否则会报“IOError: File data5.txt does not exist”）。
import numpy as np # 导入库
data = np.loadtxt('data5.txt', delimiter='\t') # 读取数据文件
x = data[:, :-1] # 切分自变量
correlation_matrix = np.corrcoef(x, rowvar=0) # 相关性分析
print (correlation_matrix.round(2)) # 打印输出相关性结果
示例中实现过程如下：
- 先导入numpy库；
- 使用Numpy的loadtxt方法读取数据文件，数据文件以tab分隔；
- 矩阵切片，切分出自变量用来做相关性分析；
- 使用Numpy的corrcoef方法做相关性分析，通过参数rowvar = 0控制对列做分析；
- 打印输出相关性矩阵，使用round方法保留2位小数，结果如下：
[[ 1. -0.04 0.27 -0.05 0.21 -0.05 0.19 -0.03 -0.02]
[-0.04 1. -0.01 0.73 -0.01 0.62 0. 0.48 0.51]
[ 0.27 -0.01 1. -0.01 0.72 0. 0.65 0.01 0.02]
[-0.05 0.73 -0.01 1. 0.01 0.88 0.01 0.7 0.72]
[ 0.21 -0.01 0.72 0.01 1. 0.02 0.91 0.03 0.03]
[-0.05 0.62 0. 0.88 0.02 1. 0.03 0.83 0.82]
[ 0.19 0. 0.65 0.01 0.91 0.03 1. 0.03 0.03]
[-0.03 0.48 0.01 0.7 0.03 0.83 0.03 1. 0.71]
[-0.02 0.51 0.02 0.72 0.03 0.82 0.03 0.71 1. ]]
相关性矩阵的左侧和顶部都是相对的变量，从左到右、从上到下依次是列1到列9。从结果看出：
- 第5列和第7列相关性最高，系数达到0.91
- 第4列和第6列相关性较高，系数达到0.88
- 第8列和第6列相关性较高，系数达到0.83
上述过程中，主要需要考虑的关键点是：
- 如何理解相关性和因果关系的差异以及如何应用相关性。相关性分析除了可以用来分析不同变量间的相关伴生关系，也可以用来做多重共线性检验，有关共线性的问题请参照“3.7解决运营数据的共线性问题”。
- 代码实操小结：本小节示例中，主要用了几个知识点：
- 通过Numpy的loadtxt方法读取文本数据文件，并指定分隔符
- 对Numpy矩阵做切块处理
- 使用Numpy中的corrcoef做相关性分析
- 使用round方法保留2位小数
====================【好书推荐，我为自己代言】====================
《Python数据分析与数据化运营》第二版上市啦！
本书主要基于Python实现，其中主要用到的计算库是numpy、pandas和sklearn，其他相关库还包括：
- 标准库：re、time、datetime、json、 base64、os、sys、cPickle、tarfile
- Python调用R的rpy2
- 统计分析：Statsmodels
- 中文处理：结巴分词
- 文本挖掘：Gensim
- 数据挖掘和算法：XGboost、gplearn、TPOT
- 爬虫和解析：requests、Beautiful Soup、xml
- 图像处理：OpenCV和PIL/Pollow
- 数据读取：xlrd、pymongo、pymysql
- 数据预处理：imblearn
- 展示美化类：Matplotlib、pyecharts、graphviz、prettytable、wordcloud、mpl_toolkits、pydotplus
- KMeans聚类的自动K均值的确立方法
- 基于软方法的多分类模型组合评估模型的应用
- 基于自动下探（下钻、细分）的应用
- 基于增量学习的多项式贝叶斯分类
- pipeline管道技术的应用
- 基于超参数的自动参数值的优化方法
- 特征自动选择
- 文本分类、文本主题挖掘
- 基于自动时间序列ARIMA的P、D、Q的调整
- python决策树规则输出
- 基于自定义图像的文本标签云
- 非结构化数据，例如图像、音频、文本等处理
- 对象持久化处理
- 如何使用Python调用R实现数据挖掘
- 自动化学习：增加了对于自动化数据挖掘与机器学习的理论、流程、知识和应用库介绍，并基于TPOT做自动化回归和分类学习案例演示
