Update from Sync Service

知识管理/网页剪辑/juejin.cn/斯皮尔曼相关(spearman)相关性分析一文详解 python实例代码 - 掘金.md

@@ -0,0 +1,16 @@
+---
+doc_type: hypothesis-highlights
+url: 'https://juejin.cn/post/7195433939593330749'
+---
+# 斯皮尔曼相关(spearman)相关性分析一文详解+python实例代码 - 掘金
+## Metadata
+- Author: [juejin.cn]()
+
+- Title: 斯皮尔曼相关(spearman)相关性分析一文详解+python实例代码 - 掘金
+- Reference: https://juejin.cn/post/7195433939593330749
+- Category: #source/article🗞
+- Tags:
+## Highlights
+- 斯皮尔曼相关系数的适用条件比皮尔逊相关系数要广，只需两个变量的观测值是成对的等级评定数据，或者是由连续变量观测数据转化得到的等级数据，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关系数来进行研究。只要数据满足单调关系（例如线性函数、指数函数、对数函数等）就能够使用。
+
+

知识管理/网页剪辑/juejin.cn/斯皮尔曼相关(spearman)相关性分析一文详解+python实例代码 - 掘金.md

@@ -0,0 +1,16 @@
+---
+doc_type: hypothesis-highlights
+url: 'https://juejin.cn/post/7195433939593330749'
+---
+# 斯皮尔曼相关(spearman)相关性分析一文详解+python实例代码 - 掘金
+## Metadata
+- Author: [juejin.cn]()
+
+- Title: 斯皮尔曼相关(spearman)相关性分析一文详解+python实例代码 - 掘金
+- Reference: https://juejin.cn/post/7195433939593330749
+- Category: #source/article🗞
+- Tags:
+## Highlights
+- 斯皮尔曼相关系数的适用条件比皮尔逊相关系数要广，只需两个变量的观测值是成对的等级评定数据，或者是由连续变量观测数据转化得到的等级数据，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关系数来进行研究。只要数据满足单调关系（例如线性函数、指数函数、对数函数等）就能够使用。
+
+

知识管理/网页剪辑/juejin.cn/皮尔逊相关性分析一文详解 python实例代码 - 掘金.md

@@ -0,0 +1,18 @@
+---
+doc_type: hypothesis-highlights
+url: 'https://juejin.cn/post/7196290097549361209'
+---
+# 皮尔逊相关性分析一文详解+python实例代码 - 掘金
+## Metadata
+- Author: [juejin.cn]()
+
+- Title: 皮尔逊相关性分析一文详解+python实例代码 - 掘金
+- Reference: https://juejin.cn/post/7196290097549361209
+- Category: #source/article🗞
+- Tags:
+## Highlights
+- 总结一下对于皮尔逊相关系数的使用场景，有三种必要的特性使用皮尔逊系数最佳： 连续数据 正态分布 线性关系
+
+- 上述三个条件均满足才能使用pearson相关系数，否则就用spearman相关系数。定序数据之间也只用spearman相关系数，不能用pearson相关系数。
+
+

知识管理/网页剪辑/juejin.cn/皮尔逊相关性分析一文详解+python实例代码 - 掘金.md

@@ -0,0 +1,18 @@
+---
+doc_type: hypothesis-highlights
+url: 'https://juejin.cn/post/7196290097549361209'
+---
+# 皮尔逊相关性分析一文详解+python实例代码 - 掘金
+## Metadata
+- Author: [juejin.cn]()
+
+- Title: 皮尔逊相关性分析一文详解+python实例代码 - 掘金
+- Reference: https://juejin.cn/post/7196290097549361209
+- Category: #source/article🗞
+- Tags:
+## Highlights
+- 总结一下对于皮尔逊相关系数的使用场景，有三种必要的特性使用皮尔逊系数最佳： 连续数据 正态分布 线性关系
+
+- 上述三个条件均满足才能使用pearson相关系数，否则就用spearman相关系数。定序数据之间也只用spearman相关系数，不能用pearson相关系数。
+
+

知识管理/网页剪辑/juejin.cn/肯德尔系数相关性分析一文详解 python实例代码 - 掘金.md

@@ -0,0 +1,24 @@
+---
+doc_type: hypothesis-highlights
+url: 'https://juejin.cn/post/7187943854141046839'
+---
+# 肯德尔系数相关性分析一文详解+python实例代码 - 掘金
+## Metadata
+- Author: [juejin.cn]()
+
+- Title: 肯德尔系数相关性分析一文详解+python实例代码 - 掘金
+- Reference: https://juejin.cn/post/7187943854141046839
+- Category: #source/article🗞
+- Tags:
+## Highlights
+- Kendall(肯德尔)系数的定义：n个同类的统计对象按特定属性排序，其他属性通常是乱序的。同序对（concordant pairs）和异序对（discordant pairs）之差与总对数（n*(n-1)/2)的比值定义为Kendall(肯德尔)系数。
+
+- 肯德尔相关则是基于样本数据对之间的关系来进行相关系数的强弱的分析，数据对可以分为一致对(Concordant)和分歧对(Discordant)。
+
+- 变量数据是有序的（ ordinal） 或者是连续的（continuous）. 有序尺度（Ordinal scales ）的数据通常用于用数值的方式来衡量非数值的概念
+
+- 连续尺度的数据就勿需解释了，常见的温度啊、体重啊、收入啊等等都（或严格、或近似）算是连续尺度的数据。
+
+- 肯德尔系数有两个计算公式，一个称为Tau-c，另一个称为Tau-b。两者的区别是Tau-b可以处理有相同值的情况，即并列排位(tied ranks)。
+
+

知识管理/网页剪辑/juejin.cn/肯德尔系数相关性分析一文详解+python实例代码 - 掘金.md

@@ -0,0 +1,24 @@
+---
+doc_type: hypothesis-highlights
+url: 'https://juejin.cn/post/7187943854141046839'
+---
+# 肯德尔系数相关性分析一文详解+python实例代码 - 掘金
+## Metadata
+- Author: [juejin.cn]()
+
+- Title: 肯德尔系数相关性分析一文详解+python实例代码 - 掘金
+- Reference: https://juejin.cn/post/7187943854141046839
+- Category: #source/article🗞
+- Tags:
+## Highlights
+- Kendall(肯德尔)系数的定义：n个同类的统计对象按特定属性排序，其他属性通常是乱序的。同序对（concordant pairs）和异序对（discordant pairs）之差与总对数（n*(n-1)/2)的比值定义为Kendall(肯德尔)系数。
+
+- 肯德尔相关则是基于样本数据对之间的关系来进行相关系数的强弱的分析，数据对可以分为一致对(Concordant)和分歧对(Discordant)。
+
+- 变量数据是有序的（ ordinal） 或者是连续的（continuous）. 有序尺度（Ordinal scales ）的数据通常用于用数值的方式来衡量非数值的概念
+
+- 连续尺度的数据就勿需解释了，常见的温度啊、体重啊、收入啊等等都（或严格、或近似）算是连续尺度的数据。
+
+- 肯德尔系数有两个计算公式，一个称为Tau-c，另一个称为Tau-b。两者的区别是Tau-b可以处理有相同值的情况，即并列排位(tied ranks)。
+
+