这应该能加速一些。定义一个名为
Pearson
的函数,从Primer链接中修改而来:
def Pearson(r, n=len(dat)):
r = max(min(r, 1.0), -1.0)
df = n - 2
if abs(r) == 1.0:
prob = 0.0
else:
t_squared = r**2 * (df / ((1.0 - r) * (1.0 + r)))
prob = betai(0.5*df, 0.5, df/(df+t_squared))
return (r,prob)
使用
applymap
函数,对
dat.corr
进行逐元素操作。将相关系数
r
传递给
Pearson
函数:
np.random.seed(10)
dat = pd.DataFrame(np.random.randn(5, 5))
dat[0] = np.arange(5)
dat[1] = np.arange(5)
dat.corr().applymap(Pearson)
0 1 2 3 4
0 (1.0, 0.0) (1.0, 0.0) (0.713010395675, 0.176397305541) (0.971681374885, 0.00569624513678) (0.0188249871501, 0.97603269768)
1 (1.0, 0.0) (1.0, 0.0) (0.713010395675, 0.176397305541) (0.971681374885, 0.00569624513678) (0.0188249871501, 0.97603269768)
2 (0.713010395675, 0.176397305541) (0.713010395675, 0.176397305541) (1.0, 0.0) (0.549623945218, 0.337230071385) (-0.280514871109, 0.647578381153)
3 (0.971681374885, 0.00569624513678) (0.971681374885, 0.00569624513678) (0.549623945218, 0.337230071385) (1.0, 0.0) (0.176622737448, 0.77629170593)
4 (0.0188249871501, 0.97603269768) (0.0188249871501, 0.97603269768) (-0.280514871109, 0.647578381153) (0.176622737448, 0.77629170593) (1.0, 0.0)
当dat
很大时,使用这种方法可以看到加速,但由于逐元素操作,仍然相当缓慢。
np.random.seed(10)
dat = pd.DataFrame(np.random.randn(100, 100))
%%timeit
dat.corr().applymap(Pearson)
10 loops, best of 3: 118 ms per loop
%%timeit
stats = dict()
for l in combinations(dat.index.tolist(),2):
stats[l] = pearsonr(dat.loc[l[0],:], dat.loc[l[1],:])
1 loops, best of 3: 1.56 s per loop
pearsonr
的源代码,您会发现只需要几行代码就可以计算出相关系数的p值。制作一个可以用于.apply(function)
的函数
应该不难。 - Primer