PyCorrAna - Python 相关性分析工具包

PyCorrAna Logo

自动化相关性分析工具 - 降低决策成本，一键输出关键结果

PyCorrAna 是一个方便快速入手的 Python 相关性分析工具，核心设计理念：

  • 自动化常规操作 - 智能识别数据类型，自动选择最优相关系数方法

  • 降低决策成本 - 无需纠结用 Pearson 还是 Spearman，工具自动帮你选择

  • 一键输出关键结果 - 从数据加载到结果导出，一行代码搞定

主要特性

  • 数据接入 - 支持 CSV/Excel/pandas/polars，自动类型推断

  • 缺失值处理 - 删除/填充（均值/中位数/众数/KNN预测）

  • 相关性计算 - 自动方法选择（Pearson/Spearman/Kendall/Cramér's V/Eta等）

  • 显著性检验 - 自动 p 值计算，支持多重比较校正

  • 可视化 - 热力图、散点图矩阵、箱线图、相关网络图

  • 结果导出 - Excel/CSV/HTML/Markdown 结果

  • 偏相关分析 - 控制协变量后的净相关分析

  • 非线性检测 - 距离相关、互信息、MIC

  • 典型相关分析 - 两组变量之间的相关性分析（CCA）

  • 示例数据集 - 内置鸢尾花、泰坦尼克号、葡萄酒等经典数据集

  • 大数据优化 - 智能采样、分块计算、内存优化

目录

入门指南

用户指南

API 参考

其他

快速示例

一行代码完成分析：

from pycorrana import quick_corr

result = quick_corr('data.csv')

指定目标变量：

result = quick_corr(df, target='sales')

使用内置数据集：

from pycorrana import load_iris, quick_corr

df = load_iris()
result = quick_corr(df, target='petal_length')

典型相关分析：

from pycorrana import cca, load_iris

df = load_iris()
X = df[['sepal_length', 'sepal_width']]
Y = df[['petal_length', 'petal_width']]
result = cca(X, Y)

大数据优化：

from pycorrana import CorrAnalyzer
from pycorrana.utils import LargeDataConfig

config = LargeDataConfig(sample_size=100000, auto_sample=True)
analyzer = CorrAnalyzer(large_df, large_data_config=config)
analyzer.fit()

使用命令行工具：

pycorrana analyze data.csv --target sales --export results.xlsx

索引与搜索