pandas.DataFrame.cov

DataFrame.cov(min_periods=None) [source]

Вычисление парной ковариации столбцов, исключая значения NA/null.

Вычисляет парную ковариацию между рядами DataFrame. Возвращаемая таблица — матрица ковариации столбцов DataFrame.

И значения NA, и нулевые значения автоматически исключаются из вычислений. (См. примечание ниже о смещении от отсутствующих значений.) Можно задать порог для минимального количества наблюдений для каждого созданного значения. Сравнения с наблюдениями ниже этого порога будут возвращены как NaN.

Этот метод обычно используется для анализа временных рядов, чтобы понять взаимосвязь между различными показателями во времени.

Параметры:	min_periods : int, optional Минимальное количество наблюдений, требуемых для каждой пары столбцов для получения действительного результата.
Возвращает:	DataFrame Матрица ковариации рядов DataFrame.

См. также

pandas.Series.cov

Вычисление ковариации с другим рядом.

pandas.core.window.EWM.cov

Экспоненциально взвешенная выборочная ковариация.

pandas.core.window.Expanding.cov

Расширяющаяся выборочная ковариация.

pandas.core.window.Rolling.cov

Ковариация с плавающим окном.

Примечания

Возвращает матрицу ковариаций временных рядов DataFrame. Ковариация нормализуется по N-1.

Для DataFrame, имеющих ряды с отсутствующими данными (предполагая, что данные случайно отсутствуют), возвращаемая матрица ковариаций будет несмещенной оценкой дисперсии и ковариации между рядами-членами.

Однако для многих приложений эта оценка может быть неприемлема, поскольку оценка матрицы ковариации не гарантируется как положительно полуопределенная. Это может привести к оценке корреляций, модули которых больше единицы, и/или к необратимой матрице ковариаций. См. Оценку матриц ковариаций для получения дополнительной информации.

Примеры

>>> df = pd.DataFrame([(1, 2), (0, 3), (2, 0), (1, 1)],
...                   columns=['dogs', 'cats'])
>>> df.cov()
          dogs      cats
dogs  0.666667 -1.000000
cats -1.000000  1.666667

>>> np.random.seed(42)
>>> df = pd.DataFrame(np.random.randn(1000, 5),
...                   columns=['a', 'b', 'c', 'd', 'e'])
>>> df.cov()
          a         b         c         d         e
a  0.998438 -0.020161  0.059277 -0.008943  0.014144
b -0.020161  1.059352 -0.008543 -0.024738  0.009826
c  0.059277 -0.008543  1.010670 -0.001486 -0.000271
d -0.008943 -0.024738 -0.001486  0.921297 -0.013692
e  0.014144  0.009826 -0.000271 -0.013692  0.977795

Минимальное количество периодов

Этот метод также поддерживает необязательный min_periods ключевой параметр, который определяет требуемое минимальное количество наблюдений без NA для каждой пары столбцов, чтобы получить действительный результат:

>>> np.random.seed(42)
>>> df = pd.DataFrame(np.random.randn(20, 3),
...                   columns=['a', 'b', 'c'])
>>> df.loc[df.index[:5], 'a'] = np.nan
>>> df.loc[df.index[5:10], 'b'] = np.nan
>>> df.cov(min_periods=12)
          a         b         c
a  0.316741       NaN -0.150812
b       NaN  1.248003  0.191417
c -0.150812  0.191417  0.895202