特征工程之距离相关系数（ Distance correlation coefficient ）

距离相关系数：

线性关系可以通过pearson相关系数来描述，单调关系可以通过spearman或者kendall来描述，非线性如何描述，距离相关系数可以非线性相关性。
我们都知道，皮尔森关联系数只能描述数据键的线性相关性程度，对于非线性相关数据，皮尔森关联系数显然不适合的，距离相关系数恰恰能在很大程度上客服皮尔森相关系数的弱点。
比如：Pearson相关系数等于0，这两个变量并不一定就是独立的（有可能是非线性相关）；但如果距离相关系数为0的话，那么就可以说这两个变量是独立的了。

距离相关系数的计算依赖于距离协方差和距离方差，首先我们先了解下距离协方差的定义，假设有n维（X，Y）统计样本。

1. 首先计算包含的所有成对距离（即：数组间每行数据之间的范数距离）
   
   为了防止我没有描述清楚，直接上代码：
   #生成一个3行2列的数组
   X = np.random.randint(-100,100,(3,2))0.1
   out：array([[ 4.8, 7.7],
   [-2.6, 6.8],
   [ 5.9, 9. ]])
   Y = X**2
   #取数据集的行
   col = X.shape[0]
   #做成nn的零矩阵,用于盛放数据
   a = np.zeros((col,col))
   b = np.zeros((col,col))
   A = np.zeros((col,col))
   B = np.zeros((col,col))
   #计算数组间每行数据之间的范数距离
   for j in range(col):
   for k in range(col):
   a[j,k] = np.linalg.norm(X[j]-X[k])
   b[j,k] = np.linalg.norm(Y[j]-Y[k])
   部分打印信息：
   调试： X数据集索引为0的数据与索引为0的数据的范数距离为0
   计算a列之间的距离: 0.0
   计算b列之间的距离： 0.0
   调试： X数据集索引为0的数据与索引为1的数据的范数距离为.
   计算a列之间的距离: 8.174350127074325
   计算b列之间的距离： 25.112168365157167
   调试： X数据集索引为0的数据与索引为2的数据的范数距离为.
   计算a列之间的距离: 8.229823813423955
   计算b列之间的距离： 71.77571803890227
   。。。这里的a和b最后生成的都是对称矩阵
2. 然后对所有的成对距离进行中心化处理
   其中aj. 是第j行平均值，ak.是第k列平均值，a…是X样本的距离矩阵的平均值
   代码：
   for m in range(col):
   for n in range(col):
   #计算a,b中心化的值，并赋值给A,B
   A[m,n] = a[m,n] - a[m].mean()-a[:,n].mean()+a.mean()
   B[m,n] = b[m,n] - a[m].mean()-b[:,n].mean()+b.mean()
3. 计算样本距离的平方协方差（标量）的算数平均：
   cov_xy=np.sqrt((1/(col**2))((AB).sum()))
4. 计算样本距离方差cov_xx=np.sqrt((1/(col2))((AA).sum()))
   cov_yy=np.sqrt((1/(col2))((BB).sum()))
5. 将两个随机变量的距离协方差除以它们的距离标准差的乘积，得到它们的距离相关性，即：
   dcor = cov_xy/np.sqrt(cov_xx*cov_yy)

#写成函数形式如下：
import numpy as np
import pandas as pd
def dist_corr(x,y):#如果x,y是二维数组，应通过行矢量形成距离矩阵
#获取数据集的行
col=x.shape[0]
#生成a、b、A、B三个colcol的0矩阵
a=np.zeros((col,col))
b=np.zeros((col,col))
A=np.zeros((col,col))
B=np.zeros((col,col))
#通过双层循环计算出列之间的范数距离
for j in range(col):
for k in range(col):
#求范数
a[j,k]=linalg.norm(x[j]-x[k])
b[j,k]=linalg.norm(y[j]-y[k])
#print(a,b)
#通过循环对其进行中心化处理
for m in range(col):
for n in range(col):
A[m,n]=a[m,n]-a[m].mean()-a[:,n].mean()+a.mean()
B[m,n]=b[m,n]-b[m].mean()-b[:,n].mean()+b.mean()
#求协方差
cov_xy=np.sqrt((1/(col**2))((AB).sum()))
cov_xx=np.sqrt((1/(col**2))((AA).sum()))
cov_yy=np.sqrt((1/(col**2))((BB).sum()))
return cov_xy/np.sqrt(cov_xxcov_yy)

来源：CSDN

作者：轻轻一point

链接：https://blog.csdn.net/qq_41675973/article/details/103585695