Python中0-1二值数据集相关性分析与关联关系挖掘方案

你的数据包含3个二值（0/1）特征point_1/point_2/point_3和1个连续数值字段values，皮尔逊相关系数仅能捕捉线性关联，因此信息量有限，可尝试以下分析方法：

1. 分组差异显著性检验 #

• 针对每个二值point字段，做独立样本t检验，验证该字段取0和取1时，values的均值是否存在统计学差异，直接得到单特征对values的影响显著性。
• 参考代码：

from scipy.stats import ttest_ind
# 以point_1为例
stat, p_value = ttest_ind(
    dataframe[dataframe['point_1']==0]['values'], 
    dataframe[dataframe['point_1']==1]['values']
)

p值小于0.05即可认为该特征对values的影响是统计显著的。

2. 分组可视化分析 #

• 绘制单特征分组箱线图，直观展示每个point取不同值时values的分布差异，比数值指标更易观察异常值、分位差等信息。
• 可以做多特征交叉分组的柱状图，统计不同point取值组合下的values均值，观察多特征共同作用的规律，比如point_1=0且point_2=1的样本values平均水平是否远高于其他组合。

3. 互信息计算 #

• 皮尔逊相关性仅对线性关系敏感，互信息可以衡量变量之间所有类型的依赖关系（包括非线性、非单调关系），既可以计算point特征和values的关联强度，也可以计算三个point之间的互信息，判断特征冗余程度。
• 参考代码：

from sklearn.feature_selection import mutual_info_regression
# 计算各point与values的互信息，值越高关联越强
mi_score = mutual_info_regression(dataframe[['point_1','point_2','point_3']], dataframe['values'])

4. 回归模型特征重要性分析 #

• 以三个point为特征，values为目标训练回归模型，通过模型输出的特征重要性量化各point对values的影响程度：
  • 线性回归的系数可以直接解释为point取1时，values的平均变化幅度，可解释性极强
  • 树模型（比如随机森林回归）的特征重要性可以捕捉非线性影响
• 同时可以查看模型的拟合效果，判断三个point整体对values的解释度有多高。

5. 离散特征关联规则挖掘 #

• 针对三个二值point特征，可以用Apriori算法挖掘变量之间的共现关联规则，比如是否存在point_1=0时point_3大概率也为0这类隐含的特征关联规律。

内容的提问来源于stack exchange，提问作者user3234242