pandas cov() 协方差矩阵

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

pandas 的 cov() 方法用于计算 DataFrame 中各列之间的协方差矩阵。协方差衡量两个变量之间的线性关系强度和方向，与相关系数类似，但不同的是协方差还保留了变量的单位。

语法

DataFrame.cov(min_periods=None, ddof=1, numeric_only=False)

计算 DataFrame 中各列之间的成对协方差。返回的数据框是 DataFrame 各列的协方差矩阵。

计算过程中会自动排除 NA 和 null 值。可以设置每个值的最小观测值数量阈值。如果比较的观测值低于此阈值，则结果将返回 NaN。

该方法通常用于时间序列数据的分析，以了解不同度量在时间上的关系。

参数

min_periods: 可选。计算协方差所需的最小观测值数量。如果某个对比中观测值少于此数量，则协方差将被设为 NaN。默认值为 None。
ddof: 可选。用于自由度的除数。默认为 1。
numeric_only: 可选。布尔值，默认为 False。如果为 True，则仅考虑数值类型的列。

返回值

返回一个 DataFrame，其元素是输入数据的协方差矩阵。

使用场景

统计分析: 分析变量之间的关系和依赖性。
风险管理: 在金融领域，用于计算资产组合的风险和波动性。
数据分析: 理解数据集中的变量间关系，辅助建模和预测。

示例

假设有一个包含多个变量的数据集，我们希望计算这些变量之间的协方差矩阵。

import pandas as pd

# 创建示例数据
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [2, 4, 6, 8, 10],
    'C': [5, 4, 3, 2, 1]
}

df = pd.DataFrame(data)

# 计算协方差矩阵
cov_matrix = df.cov()

print("协方差矩阵：")
print(cov_matrix)

输出：

协方差矩阵：
          A     B     C
A  2.5  5.0 -2.5
B  5.0 10.0 -5.0
C -2.5 -5.0  2.5

在这个示例中：

列 A 和 B 之间的协方差为 5.0，表示它们正相关且有较强的线性关系。
列 A 和 C 之间的协方差为 -2.5，表示它们负相关。
列 B 和 C 之间的协方差为 -5.0，表示它们也负相关。

这些结果帮助我们理解数据中不同变量之间的线性关系强度和方向。

参考

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.cov.html

< corrwith() 与其他数据的相关系数 pandas 数学统计 pct_change() 相邻变化百分比 >

更新时间：2024-08-13 09:45:33 标签：pandas python cov 协方差