python - Pandas corr() 返回 NaN 的频率太高

Question

我正在尝试在数据帧上运行我认为应该是一个简单的相关函数，但它在我认为不应该返回的地方返回 NaN。

代码:

# setup
import pandas as pd
import io

csv = io.StringIO(u'''
id  date    num
A   2018-08-01  99
A   2018-08-02  50
A   2018-08-03  100
A   2018-08-04  100
A   2018-08-05  100
B   2018-07-31  500
B   2018-08-01  100
B   2018-08-02  100
B   2018-08-03  0
B   2018-08-05  100
B   2018-08-06  500
B   2018-08-07  500
B   2018-08-08  100
C   2018-08-01  100
C   2018-08-02  50
C   2018-08-03  100
C   2018-08-06  300
''')

df = pd.read_csv(csv, sep = '\t')

# Format manipulation
df = df[df['num'] > 50]
df = df.pivot(index = 'date', columns = 'id', values = 'num')
df = pd.DataFrame(df.to_records())

# Main correlation calculations
print df.iloc[:, 1:].corr()

主题数据框:

       A      B      C
0    NaN  500.0    NaN
1   99.0  100.0  100.0
2    NaN  100.0    NaN
3  100.0    NaN  100.0
4  100.0    NaN    NaN
5  100.0  100.0    NaN
6    NaN  500.0  300.0
7    NaN  500.0    NaN
8    NaN  100.0    NaN

corr() 结果:

    A    B    C
A  1.0  NaN  NaN
B  NaN  1.0  1.0
C  NaN  1.0  1.0

根据(有限)documentation在函数上，它应该排除“NA/空值”。由于每一列都有重叠的值，结果不应该都是非 NaN 吗？

有很好的讨论here和 here ，但都没有回答我的问题。我已经尝试了讨论的 float64 想法 here , 但这也失败了。

@hellpanderr 的评论提出了一个很好的观点，我正在使用 0.22.0

奖金问题 - 我不是数学家，但在这个结果中 B 和 C 之间如何存在 1:1 的相关性？

Answer 1

结果似乎是您使用的数据的人工制品。在您编写时，NA 会被忽略，因此基本上可以归结为:

df[['B', 'C']].dropna()

       B      C
1  100.0  100.0
6  500.0  300.0

因此，每列只剩下两个值用于计算，因此应该是 lead to to correlation coefficients of 1 :

df[['B', 'C']].dropna().corr()

     B    C
B  1.0  1.0
C  1.0  1.0

那么，对于剩余的组合，NA 从何而来？

df[['A', 'B']].dropna()

       A      B
1   99.0  100.0
5  100.0  100.0


df[['A', 'C']].dropna()

       A      C
1   99.0  100.0
3  100.0  100.0

因此，在这里您最终每列也只有两个值。不同之处在于 B 和 C 列仅包含一个值 (100)，它给出的标准差为 0:

df[['A', 'C']].dropna().std()

A    0.707107
C    0.000000

计算相关系数时，您除以标准差，得到 NA。