如何计算多维NumPy数组中各输入参数与输出的相关性

要得到13个输入参数（通道）各自与输出的相关值，核心思路是对每个输入通道和输出的所有像素点（跨所有样本）计算相关性指标，具体实现步骤如下：

步骤说明 #

1. 数组形状调整：先去掉输出数组最后一维（维度为1），让输出形状与单个输入通道一致（(245,128,128)）。
2. 数据拉平：将每个输入通道和输出都拉平成一维数组，把所有样本、所有像素的数值放在一起，方便计算整体相关性。
3. 计算相关系数：对每个输入通道的拉平数组和输出的拉平数组，计算皮尔逊相关系数（最常用的线性相关性指标），最终得到13个对应值。

代码实现 #

使用Python的numpy和scipy.stats即可完成计算：

import numpy as np
from scipy.stats import pearsonr

# 假设输入数组为X，形状(245,128,128,13)
# 输出数组为y，形状(245,128,128,1)

# 去掉输出的最后一维，并拉平为一维数组
y_flattened = y.squeeze(axis=-1).flatten()

correlation_values = []
for channel_idx in range(13):
    # 取出当前输入通道并拉平
    x_channel_flattened = X[..., channel_idx].flatten()
    # 计算皮尔逊相关系数，返回值第一个是相关系数，第二个是p值（可忽略）
    corr, _ = pearsonr(x_channel_flattened, y_flattened)
    correlation_values.append(corr)

# correlation_values就是13个输入通道对应的相关值
print(correlation_values)

可选方案：非线性相关性 #

如果需要考虑非线性单调相关性，可以将pearsonr替换为scipy.stats.spearmanr，用法完全一致：

from scipy.stats import spearmanr

# ... 其余代码不变
corr, _ = spearmanr(x_channel_flattened, y_flattened)

内容的提问来源于stack exchange，提问作者Kaushik Vezzu