Python中实现多变量对单一变量的相关系数计算方法咨询

方法一：使用Pandas的corr()方法（最简便） #

Pandas DataFrame自带的corr()方法会生成全变量的相关系数矩阵，只需提取目标单变量与指定多变量的对应值即可：

import pandas as pd

# 构造示例数据
data = {
    'A': [1,5,3],
    'B': [8,9,0],
    'C': [6,5,1],
    'D': [0,3,2]
}
df = pd.DataFrame(data)

# 计算A、C与D的相关系数
corr_with_D = df.corr()['D'][['A', 'C']]
print(corr_with_D)

# 计算B、C、D与A的相关系数
corr_with_A = df.corr()['A'][['B', 'C', 'D']]
print(corr_with_A)

方法二：使用Numpy的corrcoef() #

Numpy的corrcoef()返回全相关矩阵，通过索引提取目标部分即可。注意设置rowvar=False，表示每一列对应一个变量：

import numpy as np

# 提取A、C、D列的数据
target_data = df[['A', 'C', 'D']].values
# 生成相关系数矩阵
corr_matrix = np.corrcoef(target_data, rowvar=False)
# 提取D（第三列，索引2）与A、C的相关系数
corr_AD_CD = corr_matrix[2, :2]
print("A与D的相关系数：", corr_AD_CD[0])
print("C与D的相关系数：", corr_AD_CD[1])

关于TensorFlow/Keras的使用 #

完全没必要用TensorFlow或Keras处理这类需求——Pandas和Numpy已经提供了轻量、高效的原生解决方案。如果项目深度依赖TF生态，可手动通过协方差与标准差的比值实现，但属于冗余操作：

import tensorflow as tf

# 转为Tensor格式
A = tf.convert_to_tensor(df['A'], dtype=tf.float32)
C = tf.convert_to_tensor(df['C'], dtype=tf.float32)
D = tf.convert_to_tensor(df['D'], dtype=tf.float32)

# 计算A与D的相关系数
cov_AD = tf.reduce_mean((A - tf.reduce_mean(A)) * (D - tf.reduce_mean(D)))
corr_AD = cov_AD / (tf.math.reduce_std(A) * tf.math.reduce_std(D))

# 计算C与D的相关系数
cov_CD = tf.reduce_mean((C - tf.reduce_mean(C)) * (D - tf.reduce_mean(D)))
corr_CD = cov_CD / (tf.math.reduce_std(C) * tf.math.reduce_std(D))

print("A与D的相关系数（TF版）：", corr_AD.numpy())
print("C与D的相关系数（TF版）：", corr_CD.numpy())

内容的提问来源于stack exchange，提问作者Michal