有序分类数据的相关性

Correlation with Ordinal Categorical Data

假设你有一个有序分类特征（ordinal categorical feature），你想衡量它与其他连续特征之间的相关性。这时往往会用一种简单但常见的处理方式。

在进行相关性分析之前，你会对该特征进行编码，这是合理的做法。

然而许多人不知道，编码方式的选择会在很大程度上影响相关性结果。例如，考虑下面的数据集：

在这里，我们有：

• 一个有序分类特征：T 恤尺码（S、M、L、XL）。
• 一个连续特征：体重。

从图形上看，这两个特征之间确实存在单调关系。然而，如下所示，改变分类编码会影响 Pearson 相关。

• 在左侧图中，我们使用如下编码 → S(1)、M(2)、L(3)、XL(4)。
• 在右侧图中，我们使用如下编码 → S(1)、M(2)、L(4)、XL(8)。显然，Spearman 相关是评估有序特征与连续特征之间单调性的更好替代方案。

无论选择哪种分类编码，它始终保持不变。这是因为 Spearman 相关是基于秩的。

它作用在数据的秩上，这使它更适合此类相关性分析的情形。

使用 Spearman 相关也非常简单。例如，如果你使用的是 Pandas，只需按如下方式指定所需的相关性度量即可：