如何用Spearman相关性生成Pandas数据框的偏相关矩阵？

要生成消除其他列影响的Spearman偏相关矩阵，核心逻辑是Spearman相关等价于变量秩的Pearson相关，因此可以通过先对变量做秩变换，再计算Pearson偏相关的方式实现需求。

完整实现代码 #

# 安装依赖（未安装时执行）
# !pip install pingouin pandas

import pandas as pd
import pingouin as pg

# 加载示例数据
df = pg.read_dataset('partial_corr')

# 对所有列做秩变换（采用average方法处理平局值，匹配Spearman默认规则）
rank_df = df.rank(method='average')

# 对秩变换后的数据集计算偏相关，结果即为Spearman偏相关矩阵
spearman_pcorr = rank_df.pcorr().round(3)

print(spearman_pcorr)

结果说明 #

运行代码后会输出和df.pcorr()结构完全一致的矩阵，其中的数值是基于Spearman相关性计算的偏相关系数，已自动消除其他列的协方差影响。

内容的提问来源于stack exchange，提问作者Leo