такая матрица корреляций, где переменные между которыми проверяется корреляция (одни и те же) находятся в строках и в столбцах мне понятна.

смотрю на код который проверяет корреляция между разными позициями EEG, где каждая позиция имеет временной ряд значений в микровольтах силы электрического импульса.

Next step will be to investigate the correlations between firing rates of each sensor position. If two brain regions have high correlation value that means that they trend to wire together.

Как это соотносится с первым примером концептуально ?

на нижнюю pd.pivot_table делается piv_t.corr(), сижу думаю а что это возвращает ?

как это соотносится с описанием той корреляции которую проверяют, кто-нибудь понимает ?

коэффициенты корреляции уровня сигнала по зонам ?

а взаимосвязь с тем что это временный ряд ?

так выглядит результат

формально никакой. такая-то зона активизируется в то же время, что и другая (в случае положительной корреляции)

то есть корреляция между A3 и A4, это учет всех значений переменной A3 (всего временного ряда - столбца) и всех значений переменной A4 (всего временного ряда - столбца) ?

подзабыл я, то есть у нас переменные X1, ..., X_n допустим и каждая переменная получает m значений,
то корреляция это степень соотношения всех m значений переменной X_i и всех значений X_j (corr_mat[i,j]) ?

в независимости например если эти значения сиквенсиальны или нет.

так таки @JJJJNNNAAA ?

да, попарная, если у вас Пирсон

Попарная (по строкам), то есть если это временные ряды - то они синхронизированы во времени

хм, в параметрах функции нет параметра Пирсон, но есть aggregation_func=mean, поэтому логично предположить что здесь попарно по средним значениями скорее, не ?

просто если бы было попарно по времени, что у меня в голове как будто еще одной оси не хватает, трех мерная матрица должна была быть

ну так академически если формулировать, то корреляция это все-таки мера силы линейной связи

ну это вроде как мне понятно, только тут мне кажется между средним значением всего временного ряда с средним значением другого, могу путать

вы можете, если временной аспект важен, посчитать автокорреляционные функции

и кросс-корреляцию

пока что просто понять что в данном случае.