如何在Pandas相关系数矩阵中获取满足阈值条件的行和列名

嘿，这个问题我之前做相关分析的时候也碰到过，其实在你已经用correlations[np.abs(correlations) > 0.5]得到筛选后的矩阵之后，用Pandas的stack()方法就能轻松搞定行名和列名的提取，给你一步步拆解：

核心思路 #

stack()方法会把二维DataFrame的列名转换为内层索引，同时自动过滤掉值为NaN的项——刚好符合我们的需求，因为你筛选后的矩阵里，不满足阈值的元素都是NaN。这样处理后，剩下的元素的索引就是原来的行名+列名的组合，直接提取就行。

完整代码示例 #

import pandas as pd
import numpy as np

# 模拟你的相关系数矩阵（替换成你自己的即可）
correlations = pd.DataFrame(
    data=[
        [1.0, 0.6, -0.3, 0.7],
        [0.6, 1.0, 0.2, -0.55],
        [-0.3, 0.2, 1.0, 0.4],
        [0.7, -0.55, 0.4, 1.0]
    ],
    index=["A", "B", "C", "D"],
    columns=["A", "B", "C", "D"]
)

# 你已经完成的筛选步骤
filtered_corr = correlations[np.abs(correlations) > 0.5]

# 提取行名、列名和对应的相关系数
# stack() 转成带多层索引的Series，reset_index() 把索引转为普通列
result_df = filtered_corr.stack().reset_index()
# 给列重命名，方便识别
result_df.columns = ["row_name", "col_name", "correlation"]

# （可选）排除对角线元素（自己和自己的相关系数恒为1，通常不需要）
result_df = result_df[result_df["row_name"] != result_df["col_name"]]

print(result_df)

运行后输出会是这样的：

row_name col_name  correlation
1        A        B          0.60
3        A        D          0.70
4        B        A          0.60
7        B        D         -0.55
9        D        A          0.70
10       D        B         -0.55

如果你只需要行名和列名的组合 #

如果你不需要保留相关系数，只想拿到行名和列名的元组列表，可以简化成：

# 获取所有满足条件的(行名, 列名)元组
corr_pairs = list(filtered_corr.stack().index)

# 同样可选排除对角线
corr_pairs = [(row, col) for row, col in corr_pairs if row != col]

这样得到的corr_pairs就是[('A', 'B'), ('A', 'D'), ('B', 'A'), ('B', 'D'), ('D', 'A'), ('D', 'B')]，完全是字符串类型的行名和列名组合。

补充说明 #

• stack()是处理这种二维矩阵提取行列索引的高效方法，比手动遍历行和列要简洁得多，而且性能更好。
• 如果你的相关系数矩阵是对称的（大部分情况下都是），你可能还想去掉重复的对（比如('A','B')和('B','A')），可以加个判断：corr_pairs = [(row, col) for row, col in corr_pairs if row < col]（假设行名列名是可比较的字符串）。

内容的提问来源于stack exchange，提问作者kand