基于围巾数据集的多重相关性分析及相关技术疑问

背景概述 #

你正在处理围巾生产数据集，核心字段包括：

• Drawing Code：款式识别码
• Q.ty：生产数量
• Price：单价（预测目标）
• Final Price：总价（数量×单价）
• Drawing Class：是否含数码印花（1=有，0=无）
• Area (cm^2)：围巾面积（由长×宽计算）
• Material：围巾材质

为预测单价，你选取变量构建了新数据集：

df1 = df[['Q.ty','Price', 'Area (cm^2)', 'Drawing Class', 'Material Class']]

对Drawing Class和Material Class做独热编码后，通过热力图计算皮尔逊相关系数，但未发现变量间存在强线性相关，进而提出两个问题。

问题1：Python中能否计算三个以上变量的多重相关系数？ #

可以。多重相关系数（复相关系数） 用于衡量单个变量与一组其他变量之间的整体线性关联程度，Python中可以通过statsmodels库实现，也可手动计算。

实现示例（以Price为因变量，其余变量为自变量） #

import statsmodels.api as sm

# 准备数据：提取自变量和因变量
X = df1.drop('Price', axis=1)
y = df1['Price']

# 添加常数项（线性回归要求）
X = sm.add_constant(X)

# 拟合多元线性回归模型
model = sm.OLS(y, X).fit()

# 计算复相关系数R（R²的平方根，取值0~1，越接近1关联越强）
multiple_r = model.rsquared ** 0.5
print(f"多重相关系数R: {multiple_r:.4f}")

复相关系数的平方（model.rsquared）就是回归模型的决定系数，代表自变量组能解释因变量变异的比例。

问题2：分析不同类型变量间的相关性是否合理？ #

是否合理取决于变量类型和选用的相关性计算方法，不能一概而论：

• 数值变量vs数值变量：用皮尔逊相关系数完全合理，这是热力图默认的计算方式，适合衡量线性关联。
• 数值变量vs二分类变量（如Drawing Class）：可以用点二列相关系数，或对二分类变量独热编码后用皮尔逊相关（二者结果等价），这种分析是合理的，能反映类别差异对数值变量的线性影响。
• 数值变量vs多分类变量（如Material Class）：
  • 若用独热编码后计算单个哑变量与数值变量的皮尔逊相关，仅能反映该类别与基准类别对数值变量的差异，解释性有限，但并非不合理；
  • 更合适的方法是用方差分析（ANOVA） 检验不同类别下数值变量的均值是否存在显著差异，或用互信息衡量变量间的非线性关联。
• 分类变量vs分类变量：用皮尔逊相关系数完全不合理，此时应选用卡方检验（衡量独立性）、互信息或克莱姆V系数来分析关联程度。

你之前用热力图计算独热编码后所有变量的皮尔逊相关，仅能覆盖部分变量组合的合理分析，对于多分类变量和分类变量间的关联，需要更换方法才能得到合理结论。

内容的提问来源于stack exchange，提问作者Federico Mondaini