相关系数矩阵转换成稀疏矩阵

相关系数矩阵转换成稀疏矩阵

如果你有一个相关系数矩阵，想要将其转化为一个包含三列（节点1、节点2、相关系数）的DataFrame，你可以使用Python的pandas库来实现。下面是一种可能的方法：

假设你有一个相关系数矩阵correlation_matrix，其中行和列的标签是节点的名称，矩阵中的值是相关系数。你可以按照以下步骤操作：

def get_graph(correlation_matrix):
    df = pd.DataFrame(columns=['node_0', 'node_1', 'weight'])

    # 使用两个嵌套循环遍历相关系数矩阵，提取相关系数和节点对
    for i in range(len(correlation_matrix.columns)):
        for j in range(i + 1, len(correlation_matrix.columns)):

            node1 = correlation_matrix.columns[i]
            node2 = correlation_matrix.columns[j]
            correlation = correlation_matrix.iloc[i, j]

            # 将节点对和相关系数添加到DataFrame中
            df = df.append({'node_0': node1, 'node_1': node2, 'weight': correlation}, ignore_index=True)
    return df

graph_df = get_graph(corr_df)
print(graph_df)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

这段代码将遍历相关系数矩阵的每对节点，提取节点名称和相关系数，并将它们添加到一个新的DataFrame中。最终，你将得到一个包含了三列数据的DataFrame，其中每一行都代表了两个节点之间的相关系数。

要查找相关系数DataFrame中大于0的元素的下标，你可以使用numpy库的np.where函数来实现。以下是一个示例代码：

import numpy as np

# 假设你的相关系数DataFrame叫做df，假设相关系数在 'Correlation' 列中
# 创建一个布尔掩码，标记大于0的相关系数
mask = df['Correlation'] > 0

# 使用 np.where 获取满足条件的元素的行和列索引
rows, cols = np.where(mask)

# 打印满足条件的元素的行和列索引
for row, col in zip(rows, cols):
    print(f'行索引：{row}, 列索引：{col}')
1
2
3
4
5
6
7
8
9
10
11
12

这段代码首先创建了一个布尔掩码 mask，它标记了相关系数大于0的位置。然后，使用 np.where 函数来获取满足条件的元素的行和列索引，最后循环遍历并打印这些索引。

请注意，上述代码假设你的DataFrame中相关系数存储在 ‘Correlation’ 列中。如果你的列名称不同，需要相应地替换列名称。