知识卡片
成对统计依赖共同有效样本
Series的corr/cov先按索引匹配共同的非缺失观测,结果描述这组配对样本。不同两列有不同缺失时,矩阵各单元可能基于不同的有效样本,不能假定样本范围完全一致。较高相关也不自动证明因果、稳定性或预测能力;先核对数据日期、口径与有效数量。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
重叠的、非NA的、按索引对齐的值的相关系数。与此类似,cov用于计算协方差: In [211]: returns.MSFT.corr(returns.IBM) Out[211]: 0.49609291822168838 In [212]: returns.MSFT.cov(returns.IBM) Out[212]: 0.000216003324373290
参考来源
- 位置:《利用Python进行数据分析》第5章《相关系数与协方差》(spine282;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0268.html;u119-ch05-031)。
- 结论依据:原文在“重叠的、非NA的、按索引对齐”附近的定义、例子或代码支撑本卡核心说明:Series的corr/cov先按索引匹配共同的非缺失观测,结果描述这组配对样本。边界按已读前提解释;示例未执行。
- 原始内容:重叠的、非NA的、按索引对齐的值的相关系数。与此类似,cov用于计算协方差: In [211]: returns.MSFT.corr(returns.IBM) Out[211]: 0.49609291822168838 In [212]: returns.MSFT.cov(returns.IBM) Out[212]: 0.000216003324373290