如何使用 cor（） 计算 R 中的相关系数

You can use the cor() function in R to calculate correlation coefficients between variables.

Here are the most common ways to use this function:

Method 1: Calculate Pearson Correlation Coefficient Between Two Variables

cor(df$x, df$y)

Use the Pearson correlation coefficient when calculating the correlation between two continuous variables. (e.g. height and weight)

Method 2: Calculate Pearson Correlation Coefficient Between All Numeric Variables in Data Frame

cor(df)

This method will return acorrelation matrix that contains the Pearson correlation coefficient between each pairwise combination of numeric variables in a data frame.

Method 3: Calculate Spearman Correlation Coefficient Between Two Variables

cor(df$x, df$y, method='spearman')

Use the Spearman correlation coefficient when calculating the correlation between two ranked variables. (e.g. rank of a student’s math exam score vs. rank of their science exam score in a class)

Method 4: Calculate Kendall’s Correlation Coefficient Between Two Variables

cor(df$x, df$y, method='kendall')

如果您希望使用斯皮尔曼相关，但样本量较小且存在许多并列等级，请使用 Kendall 相关系数。

以下示例显示了如何在实践中使用每种方法，其中包含 R 中的以下数据框，该数据框显示八个不同学生的学习小时数、参加的模拟考试次数和期末考试成绩：

#create data framedf <- data.frame(hours=c(1, 1, 3, 2, 4, 3, 5, 6), prac_exams=c(4, 3, 3, 2, 3, 2, 1, 4), score=c(69, 74, 74, 70, 89, 85, 99, 90))#view data framedf hours prac_exams score1 1 4 692 1 3 743 3 3 744 2 2 705 4 3 896 3 2 857 5 1 998 6 4 90

示例 1：计算两个变量之间的皮尔逊相关系数

以下代码演示如何使用 cor（） 函数计算小时和分数变量之间的 Pearson 相关系数：

#calculate Pearson correlation coefficient between hours and scorecor(df$hours, df$score)[1] 0.8600528

小时和分数之间的皮尔逊相关系数原来是 0.86。

请注意，如果数据框中有 NA 值，则可以使用参数 use='complete.obs' 仅使用没有 NA 值的行：

#calculate Pearson correlation coefficient and ignore any rows with NAcor(df$hours, df$score, use='complete.obs')

示例 2：计算所有数值变量之间的皮尔逊相关系数

以下代码演示如何使用 cor（） 函数创建包含数据框中所有数值变量之间的 Pearson 相关系数的相关矩阵：

#calculate Pearson correlation coefficient between all numeric variablescor(df) hours prac_exams scorehours 1.0000000 -0.1336063 0.8600528prac_exams -0.1336063 1.0000000 -0.3951028score 0.8600528 -0.3951028 1.0000000

以下是解释输出的方法：

小时和prac_exams之间的皮尔逊相关系数为 -.13。

小时数和分数之间的皮尔逊相关系数为 .86。

prac_exams和分数之间的皮尔逊相关系数为 -.39。

注意：每个变量与自身之间的皮尔逊相关系数始终为 1，这就是为什么沿相关矩阵对角线的每个值为 1 的原因。

示例 3：计算两个变量之间的斯皮尔曼相关系数

以下代码演示如何使用 cor（） 函数计算小时和prac_exams变量之间的 Spearman 相关系数：

#calculate Spearman correlation coefficient between hours and prac_examscor(df$hours, df$prac_exams, method='spearman')[1] -0.1250391

小时和prac_exams之间的斯皮尔曼相关系数原来是 -.125。

示例 4：计算两个变量之间的肯德尔相关系数

以下代码演示如何使用 cor（） 函数计算小时和prac_exams变量之间的 Kendall 相关系数：

#calculate Kendall's correlation coefficient between hours and prac_examscor(df$hours, df$prac_exams, method='kendall')[1] -0.1226791

肯德尔小时和prac_exams之间的相关系数原来是 -.123。

其他资源

以下教程介绍如何在 R 中执行其他常见任务：

如何在 R 中计算滚动相关性 如何在 R 中计算自相关 如何在 R

中计算偏相关