编辑以显示原始数据帧示例：
df.head(4)
shop category subcategory season
date
2013-09-04 abc weddings shoes winter
2013-09-04 def jewelry watches summer
2013-09-05 ghi sports sneakers spring
2013-09-05 jkl jewelry necklaces fall
我已经使用get_dummies（）成功生成了以下数据框：
wedding_seasons = pd.get_dummies(df.loc[df['category']=='weddings',['category','season']],prefix = '', prefix_sep = '' )
wedding_seasons.head(3)
weddings winter summer spring fall
71654 1.0 0.0 1.0 0.0 0.0
72168 1.0 0.0 1.0 0.0 0.0
72080 1.0 0.0 1.0 0.0 0.0
上面的目标是帮助评估整个季节的婚礼频率，因此我使用
corr()生成以下结果： weddings fall spring summer winter
weddings NaN NaN NaN NaN NaN
fall NaN 1.000000 0.054019 -0.331866 -0.012122
spring NaN 0.054019 1.000000 -0.857205 0.072420
summer NaN -0.331866 -0.857205 1.000000 -0.484578
winter NaN -0.012122 0.072420 -0.484578 1.000000
我不确定婚礼列为什么会生成NaN值，但是我的直觉是它源自我最初创建
wedding_seasons的方式。任何指导将不胜感激，以便我可以正确地评估列相关性。 最佳答案
我认为您不希望在这里看到“相关性”。
数据框wedding_seasons中的所有列均包含浮点值；但是，如果我的猜想是正确的，则原始数据帧df中的行包含类似事务记录的内容，其中每一行对应一个人。
如果我不正确，请告诉我，但我将继续进行推理。
关联将直观地衡量值的趋势在同一观察值内一起/相对变化（例如，如果X和Y呈负相关，那么当我们看到X高于其均值时，我们希望Y出现在其均值以下） ）。
但是，这里的数据是，如果一个事务是summer，则绝对不能同时是winter。创建wedding_seasons时，Pandas正在创建虚拟变量，这些虚拟变量在计算相关矩阵时将被视为浮点值。由于任何一行都不可能同时包含两个1.0条目，因此很明显，您得到的相关矩阵将在每个地方都具有负条目。