距离相关系数的原理及其实现（Numpy代码+第三方包的实现）

叁歲伎倆 2023-09-28 20:42 1阅读 0赞

### 一、原理 ###

最近在做特征选择的练习题时，要考量很多个特征的相关性，并且特征之间是非线性关系的，我们常见的皮尔逊相关系数无法准确使用，考虑使用距离相关系数来度量：

**距离相关系数：研究两个变量之间的独立性，距离相关系数为0表示两个变量是独立的。克服了皮尔逊相关系数的弱点，皮尔逊相关系数为0并不一定表示两个变量之间是独立的，也有可能是非线性相关的。**

利用 D i s t a n c e      C o r r e l a t i o n Distance\\;\\;Correlation DistanceCorrelation来研究两个变量 μ \\mu μ和 v v v之间的独立性，记为 d c o r r ( μ    ,    v ) dcorr(\\mu\\;,\\;v) dcorr(μ,v)。

当 d c o r r ( μ    ,    v ) dcorr(\\mu\\;,\\;v) dcorr(μ,v)=0时，说明两个变量 μ \\mu μ和 v v v之间独立； d c o r r ( μ    ,    v ) dcorr(\\mu\\;,\\;v) dcorr(μ,v)越大，说明 μ \\mu μ和 v v v之间的相关性越强。

设 \{ ( μ i    ,    v i )    ,    i = 1 , 2 , ⋯   , n \} \\\{(\\mu\_i\\;,\\;v\_i)\\;,\\;i=1,2,\\cdots,n\\\} \{(μi,vi),i=1,2,⋯,n\}是总体 ( μ    ,    v ) (\\mu\\;,\\;v) (μ,v)的随机样本， S z e k e l y Szekely Szekely等定义两个随机变量 μ \\mu μ和 v v v的DC样本估计值为：  
 d c o r r ( μ    ,    v ) = d c o v ( μ    ,    v ) d c o v ( μ    ,    μ ) d c o v ( v    ,    v ) dcorr(\\mu\\;,\\;v)=\\frac\{dcov(\\mu\\;,\\;v)\}\{\\sqrt\{dcov(\\mu\\;,\\;\\mu)dcov(v\\;,\\;v)\}\} dcorr(μ,v)=dcov(μ,μ)dcov(v,v)dcov(μ,v)

其中， d c o v 2 ( μ    ,    v ) = S 1 ^ + S 2 ^ − 2 S 3 ^ dcov^2(\\mu\\;,\\;v)=\\hat\{S\_1\}+\\hat\{S\_2\}-2\\hat\{S\_3\} dcov2(μ,v)=S1^\+S2^−2S3^， S 1 ^    ,    S 2 ^    ,    S 3 ^ \\hat\{S\_1\}\\;,\\;\\hat\{S\_2\}\\;,\\;\\hat\{S\_3\} S1^,S2^,S3^分别为：

S 1 ^ = 1 n 2 ∑ i = 1 n ∑ j = 1 n ∣ ∣ μ i − μ j ∣ ∣ d μ ∣ ∣ v i − v j ∣ ∣ d v \\hat\{S\_1\}=\\frac\{1\}\{n^2\}\\sum\_\{i=1\}^n\\sum\_\{j=1\}^n||\\mu\_i-\\mu\_j||\_\{d\\mu\}||v\_i-v\_j||\_\{dv\} S1^=n21i=1∑nj=1∑n∣∣μi−μj∣∣dμ∣∣vi−vj∣∣dv

S 2 ^ = 1 n 2 ∑ i = 1 n ∑ j = 1 n ∣ ∣ μ i − μ j ∣ ∣ d μ 1 n 2 ∑ i = 1 n ∑ j = 1 n ∣ ∣ v i − v j ∣ ∣ d v \\hat\{S\_2\}=\\frac\{1\}\{n^2\}\\sum\_\{i=1\}^n\\sum\_\{j=1\}^n||\\mu\_i-\\mu\_j||\_\{d\\mu\}\\frac\{1\}\{n^2\}\\sum\_\{i=1\}^n\\sum\_\{j=1\}^n||v\_i-v\_j||\_\{dv\} S2^=n21i=1∑nj=1∑n∣∣μi−μj∣∣dμn21i=1∑nj=1∑n∣∣vi−vj∣∣dv

S 3 ^ = 1 n 3 ∑ i = 1 n ∑ j = 1 n ∑ l = 1 n ∣ ∣ μ i − μ l ∣ ∣ d μ ∣ ∣ v j − v l ∣ ∣ d v \\hat\{S\_3\}=\\frac\{1\}\{n^3\}\\sum\_\{i=1\}^n\\sum\_\{j=1\}^n\\sum\_\{l=1\}^n||\\mu\_i-\\mu\_l||\_\{d\\mu\}||v\_j-v\_l||\_\{dv\} S3^=n31i=1∑nj=1∑nl=1∑n∣∣μi−μl∣∣dμ∣∣vj−vl∣∣dv

### 二、Numpy代码实现 ###

from scipy.spatial.distance import pdist, squareform
    import numpy as np
    from numbapro import jit, float32
    def distcorr(X, Y):
        """ Compute the distance correlation function
        >>> a = [1,2,3,4,5]
        >>> b = np.array([1,2,9,4,4])
        >>> distcorr(a, b)
        0.762676242417
        """
        X = np.atleast_1d(X)
        Y = np.atleast_1d(Y)
        if np.prod(X.shape) == len(X):
            X = X[:, None]
        if np.prod(Y.shape) == len(Y):
            Y = Y[:, None]
        X = np.atleast_2d(X)
        Y = np.atleast_2d(Y)
        n = X.shape[0]
        if Y.shape[0] != X.shape[0]:
            raise ValueError('Number of samples must match')
        a = squareform(pdist(X))
        b = squareform(pdist(Y))
        A = a - a.mean(axis=0)[None, :] - a.mean(axis=1)[:, None] + a.mean()
        B = b - b.mean(axis=0)[None, :] - b.mean(axis=1)[:, None] + b.mean()
        
        dcov2_xy = (A * B).sum()/float(n * n)
        dcov2_xx = (A * A).sum()/float(n * n)
        dcov2_yy = (B * B).sum()/float(n * n)
        dcor = np.sqrt(dcov2_xy)/np.sqrt(np.sqrt(dcov2_xx) * np.sqrt(dcov2_yy))
        return dcor

这篇代码来自国外一位大佬所写，原地址为：

> https://gist.github.com/satra/aa3d19a12b74e9ab7941

### 三、第三方包 d c o r dcor dcor实现 ###

### 3.1安装 d c o r dcor dcor包的正确方法 ###

这个的难点在于安装 d c o r dcor dcor包的 c o n d a conda conda版本，我用`pip install dcor`总是报错，无法解决错误，也不是博客里提供的错误里类型。

经过一番探索，我确定了最终的安装方法：

conda install -c conda-forge dcor

这样能顺利安装成功！

>>> a = [1,2,3,4,5]
     >>> b = np.array([1,2,9,4,4])
     >>> dcor.distance_correction(a, b)
        0.762676242417

具体的操作细节可以看官网：

> https://dcor.readthedocs.io/en/latest/apilist.html