Cramér’s V 指標介紹：如何衡量兩個類別變數之間的關聯

為什麼需要衡量「類別變數之間的關聯」？

在資料分析與機器學習中，我們常會遇到類別型資料（categorical data），例如：

這類資料的特點是：

• 資料不是數值，而是分類
• 無法直接用 相關係數（correlation） 來衡量關係

例如：

• 性別 vs 付款方式
• 城市 vs 商品類型
• 職業 vs 是否購買保險

這些變數之間可能存在某種關聯，但因為它們不是連續數值，我們不能直接使用 Pearson correlation 來測量。

因此，在統計學中，我們通常會使用 卡方檢定（Chi-square test） 來判斷兩個類別變數是否相關。

但卡方檢定只能回答一個問題：

兩個變數是否存在關係？

卻沒有告訴我們：

關係有多強？

這時候就會使用 Cramér’s V。

Cramér’s V 是什麼？

Cramér’s V 是一種用來衡量 兩個類別變數之間關聯強度（association strength） 的統計指標。

它的值介於：

0 ≤ Cramér’s V ≤ 1

含義如下：

換句話說：

• 越接近 0 → 幾乎沒有關係
• 越接近 1 → 關係越強

Cramér’s V 可以視為：

類別變數版本的相關係數。

Cramér’s V 與卡方檢定的關係

Cramér’s V 的計算其實是建立在 卡方統計量（Chi-square statistic） 之上。

公式如下：

其中：

• $\chi^2$：卡方統計量
• $n$：樣本數
• $k$：列或欄中較小的類別數

簡單理解：

1. 先透過 卡方檢定 算出變數之間的差異程度
2. 再將結果標準化到 0~1 之間

因此 Cramér’s V 本質上就是：

卡方檢定結果的標準化版本

讓我們更容易理解關聯強度。

用一個簡單例子理解 Cramér’s V

假設我們分析一個 電商資料集，想知道：

性別與付款方式是否有關聯？

我們整理出以下 交叉表（contingency table）：

從表面上看：

• 男性比較常用 信用卡
• 女性比較常用 PayPal

但這只是直覺觀察。

如果我們進一步計算：

• Chi-square test
• Cramér’s V

假設結果為：

Cramér’s V = 0.32

這代表：

性別與付款方式之間存在 中等程度的關聯。

Python 實作 Cramér’s V

在 Python 中，我們可以透過 scipy 計算 Cramér’s V。

首先建立交叉表：

import numpy as np
from scipy.stats import chi2_contingency

table = np.array([
    [120, 60, 20],
    [80, 140, 30]
])

接著計算卡方統計量：

chi2, p, dof, expected = chi2_contingency(table)

最後計算 Cramér’s V：

n = table.sum()
k = min(table.shape)
cramers_v = np.sqrt(chi2 / (n * (k - 1)))

print("Cramér's V:", cramers_v)

執行後就可以得到兩個變數之間的關聯強度。

Cramér’s V 在機器學習中的用途

在資料科學實務中，Cramér’s V 常用於：

1) Feature selection（特徵選擇）

如果你的資料有很多 categorical feature：

• country
• job
• device_type
• payment_method

可以透過 Cramér’s V vs target 來判斷：

哪些類別特徵與目標變數最相關。

例如在 詐欺偵測模型 中：

這代表：

• payment_method → 重要特徵
• country → 幾乎沒有關聯

因此可以作為 特徵篩選依據。

2) 檢查類別特徵之間的關係

Cramér’s V 也可以用來檢查：

兩個 feature 是否高度相關。

例如：

這代表兩者幾乎是同一件事情。

如果同時放入模型，可能會造成：

• 資訊冗餘
• feature leakage

3) 建立 categorical correlation matrix

在 EDA（Exploratory Data Analysis）中，我們甚至可以建立：Categorical correlation matrix。

例如：

這有點像：

categorical version 的 correlation matrix。

Cramér’s V 的限制

雖然 Cramér’s V 很實用，但仍然有一些限制：

1) 不代表因果關係

就算 Cramér’s V 很高，也只能說：

兩個變數相關

但不能說：

A 導致 B。

2) 對樣本數敏感

當樣本數很大時：

• 即使差異很小
• 也可能得到顯著關聯

因此通常會搭配：

• Chi-square p-value
• domain knowledge

一起判斷。

結論

Cramér’s V 是一種用來衡量 兩個類別變數之間關聯強度 的統計指標，其數值介於 0 到 1 之間。它是建立在卡方檢定之上的標準化指標，因此可以視為「類別資料版本的相關係數」。

在資料科學與機器學習中，Cramér’s V 常被用於特徵選擇、EDA 分析以及檢查類別特徵之間的關聯。透過這個指標，我們可以更清楚地了解資料結構，並幫助模型建立更有效的特徵集合。