HOWTO · NumPy
Covariance en Python NumPy
Calculez la covariance en Python avec numpy.cov() : ce que signifie la covariance, un exemple détaillé avec deux tableaux, la différence entre la normalisation d'échantillon et de population (bias/ddof), et comment lire la matrice de covariance.
Sur cette page
Comprendre la covariance est crucial pour l’analyse de données, surtout lorsque vous essayez de déterminer comment deux variables changent ensemble. En Python, la bibliothèque NumPy offre une fonction, numpy.cov(), qui calcule la covariance entre deux ou plusieurs tableaux pour vous. Que vous soyez data scientist, statisticien ou simplement intéressé par l’analyse de données, la maîtrise de cette fonction peut améliorer vos compétences analytiques et vos projets.
Dans cet article, nous explorerons comment utiliser numpy.cov() efficacement, en fournissant des exemples clairs et des explications détaillées pour vous aider à saisir le concept de la covariance en Python. Alors, plongeons-y !
Qu’est-ce que la covariance ?
La covariance est une mesure statistique qui indique dans quelle mesure deux variables aléatoires changent ensemble. Si les variables ont tendance à augmenter et à diminuer ensemble, la covariance est positive. Inversement, si une variable a tendance à augmenter tandis que l’autre diminue, la covariance est négative. Une covariance proche de zéro indique que les variables n’ont pas de relation linéaire — notez que c’est plus faible que l’indépendance : deux variables peuvent être dépendantes d’une manière non linéaire et avoir quand même une covariance nulle.
En pratique, la covariance est souvent utilisée en finance, en statistiques et en apprentissage automatique pour comprendre les relations entre différents ensembles de données. En calculant la covariance, vous pouvez obtenir des informations sur la manière dont les changements dans un ensemble de données peuvent affecter un autre.
Utilisation de numpy.cov() pour calculer la covariance
La fonction numpy.cov() est la méthode de référence pour calculer la covariance en Python. Vous pouvez lui passer deux tableaux 1D (ou un tableau 2D dont les lignes sont des variables), et elle renvoie la matrice de covariance : les variances des variables sur la diagonale, et les covariances entre chaque paire en dehors de la diagonale. Par défaut, elle calcule la covariance d’échantillon, en divisant par N-1, où N est le nombre d’observations.
Exemple de calcul de la covariance entre deux tableaux
Commençons par un exemple simple de calcul de la covariance entre deux tableaux NumPy. Imaginez que vous avez deux ensembles de données représentant les tailles et les poids d’un groupe d’individus.
import numpy as np
heights = np.array([1.5, 1.6, 1.7, 1.8, 1.9])
weights = np.array([50, 55, 60, 65, 70])
cov_matrix = np.cov(heights, weights)
print(cov_matrix)
Sortie :
[[2.50e-02 1.25e+00]
[1.25e+00 6.25e+01]]
Dans cet exemple, nous importons d’abord la bibliothèque NumPy et créons deux tableaux : heights et weights. Nous utilisons ensuite numpy.cov() pour calculer la matrice de covariance entre ces deux tableaux. (Le NumPy actuel affiche les petites valeurs ici en notation scientifique ; 2.50e-02 vaut 0,025 et 6.25e+01 vaut 62,5.)
La valeur en haut à gauche (0,025) est la variance des tailles, et la valeur en bas à droite (62,5) est la variance des poids. Les deux valeurs hors diagonale (1,25) sont la covariance entre les tailles et les poids — positive, car dans ces données, les individus plus grands sont aussi plus lourds. Cette matrice fournit une vue compacte de la manière dont ces deux variables interagissent.
Calcul de la covariance avec la normalisation de population
Par défaut, numpy.cov() divise par N-1 — la normalisation d’échantillon, qui est le bon choix lorsque vos données sont un échantillon d’une population plus grande. Si vos données sont la population entière, divisez par N à la place en passant bias=True (de manière équivalente, ddof=0) :
import numpy as np
heights = np.array([1.5, 1.6, 1.7, 1.8, 1.9])
weights = np.array([50, 55, 60, 65, 70])
cov_matrix_population = np.cov(heights, weights, bias=True)
print(cov_matrix_population)
Sortie :
[[2.e-02 1.e+00]
[1.e+00 5.e+01]]
Chaque valeur est plus petite que dans la version d’échantillon du facteur (N-1)/N — ici 4/5, de sorte que la covariance passe de 1,25 à 1,0. Aucune des deux versions n’est « plus précise » en général ; elles répondent à des questions différentes, et pour un grand N, la différence devient négligeable. Utilisez la forme de population lorsque les données couvrent l’ensemble de la population qui vous intéresse, et la forme d’échantillon par défaut dans le cas contraire.
Interprétation de la matrice de covariance
Comprendre la matrice de covariance est essentiel pour prendre des décisions éclairées basées sur vos données. Les éléments diagonaux de la matrice de covariance représentent les variances de chaque variable, tandis que les éléments hors diagonale représentent les covariances entre les variables.
Lors de l’interprétation des valeurs de covariance, tenez compte des éléments suivants :
- Une covariance positive indique que les variables ont tendance à augmenter ou à diminuer ensemble.
- Une covariance négative suggère une relation inverse, où une variable augmente tandis que l’autre diminue.
- Une covariance proche de zéro implique que les variables n’ont pas de relation linéaire.
Ce que la covariance ne vous dit pas, c’est la force de la relation : sa taille dépend des unités et des échelles des variables, de sorte que les valeurs de covariance ne sont pas comparables entre différents ensembles de données. Cette comparabilité est ce qu’ajoute la corrélation, en normalisant la covariance dans la plage de -1 à 1. Dans notre exemple, la covariance positive entre les tailles et les poids dit seulement qu’à mesure que la taille augmente, le poids a également tendance à augmenter — cette information peut guider des analyses ultérieures ou des processus de prise de décision.
Conclusion
La covariance est un concept fondamental en statistiques et en analyse de données, et la fonction numpy.cov() en Python facilite le calcul de la covariance entre les ensembles de données. En comprenant comment utiliser cette fonction — y compris le choix entre la normalisation d’échantillon et de population —, vous pouvez obtenir des informations précieuses sur les relations entre différentes variables. Que vous analysiez des données financières, meniez des recherches scientifiques ou travailliez sur des projets d’apprentissage automatique, la maîtrise de la covariance améliorera votre boîte à outils analytique. Alors, commencez avec NumPy et explorez le monde fascinant des relations entre données !
FAQ
-
Qu’est-ce que la covariance ?
La covariance est une mesure statistique qui indique comment deux variables aléatoires changent ensemble, montrant leur relation. -
Comment calculer la covariance en Python ?
Vous pouvez calculer la covariance en Python en utilisant la fonctionnumpy.cov(), qui prend un ou plusieurs tableaux NumPy et renvoie la matrice de covariance. -
Que signifie une covariance positive ?
Une covariance positive indique qu’à mesure qu’une variable augmente, l’autre variable a également tendance à augmenter. -
La covariance peut-elle être négative ?
Oui, une covariance négative suggère qu’une variable a tendance à augmenter tandis que l’autre diminue. -
Quelle est la différence entre la covariance et la corrélation ?
La covariance mesure la direction de la relation entre deux variables, tandis que la corrélation mesure à la fois la force et la direction de cette relation, normalisée entre -1 et 1.