上文提及了统计数据数据关联性预测中的极线预测，能大体地推论表达式间的倚赖某种程度、关联性路径。责任编辑则如是说能则表示三个已连续值表达式间关联性气压的迪克森有关方式。
它能提供三个值，正态分布和 P值。对（迪克森）相关常数：
吻合+1，则表示非常大的正关联性吻合-1，则表示非常大的负关联性吻合0，则表示表达式间没关联性
对 P 值，能认知为：当原假定（H0，一般来说假定表达式间没关联性）为真，根据探测值婉拒它而犯错误的机率。当这个P值越小，则说明他们婉拒它犯错误的机率越小，那它就更应该更确认地将婉拒，因为这里头预设了小机率该事件，不会在非常有限次的试验中被轻而易举地探测到，相等于是所排序的关联性的确认某种程度，越确认，说明越指出样品能代表者整体。值域说明如下表所示：
<0.001，正态分布有极强的估值合理0.001~0.05，正态分布有适当的估值合理（依照于置信区间，但一般来说用的是0.05）0.05~0.1，正态分布的估值合理极为些微>0.1，有关常数没估值合理
所以当他们说三个表达式具备强关联性的时候：得满足用户三个前提：1.正态分布斜率吻合于1；2. P值大于0.001。我们能去介绍迪克森正态分布的排序公式，以及P值怎样通过排序换算狂蛛属的，但在这里，他们如是说用PythonC#中有关的统计数据辅助工具（stats），怎样单纯加速地获得前述三个统计数据分项的值，关键步骤如下表所示：
1.依旧以如下表所示统计数据数据为例：
2.引入并排序迪克森常数和P值（需要先浏览好scipy库），计算迪克森常数时，表达式放前面放前面对结论不影响
from scipy import statsimport pandas as pd#引入统计数据数据df = pd.readexcel(“demo1.xlsx”)pearsonvalue, Pvalue = stats.pearsonr(df[no], df[num])print(pearsonvalue, Pvalue)
3.输出如下表所示结论，说明能婉拒原假定（两表达式不有关的假定），指出三个表达式间具备确认的很强的关联性。
当然了，表达式自己与自己的正态分布为1。
以上就是关于探索性统计数据数据预测中的迪克森有关方式的如是说。之后本系列会持续更新探索性统计数据数据预测的有关内容，希望对你有帮助。
