4

Kendall Rank Correlation Test

Unsolved
Prob. and Stats

Difficulty: 2 | Problem written by Mr. Umair
The Kendall Rank Correlation Test is used to check the monotonic relation between two datasets. This is used to measure ordinal association between between two measured quantities. If the p-value > 0.05 then they are probably independent, otherwise not.

Given two datasets in a list, find their monotonic relation by using the Kendall Rank Correlation from the scipy.stats module. Our function will return the p-value.
 

Example Input:

Data 1 = [-1.374, -1.106, 0.905, -1.824, 0.322, 0.227, 2.918, -0.575, -0.933, 2.403]

Data 2 = [0.64, 2.725, 1.074, 2.517, -2.084, -0.304, 0.491, 1.642, 2.763, -2.758]

Example Output:

P = 0.006

 

 

 

Sample Input:
<class 'list'>
data1: [0.353, 3.517, 0.125, -7.545, -0.555, -1.536, 3.35, -1.578, -3.537, -1.579]
<class 'list'>
data2: [0.873, 2.817, 0.121, -0.945, -0.055, -1.436, 0.36, -1.478, -1.637, -1.869]

Expected Output:
<class 'float'>
0.00316122282479536

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Fugiat iste corporis dicta deleniti ipsum, atque impedit enim neque veritatis nulla tempore perspiciatis tempora, esse culpa ad iusto? Explicabo cumque illum minima consequatur in qui asperiores, molestiae laborum harum labore, accusantium nulla rerum repellat laudantium aliquam reprehenderit? Reiciendis eos veritatis consequatur quod aspernatur, accusamus dignissimos voluptas quis nobis explicabo. Ratione magni necessitatibus facere, veniam eos praesentium cupiditate sequi animi in, eum porro nostrum eligendi nam aliquid officia quod dolor.

Voluptatibus culpa numquam quam recusandae accusamus quod optio iure blanditiis placeat, qui a minus fuga expedita assumenda, suscipit quo quaerat similique doloribus aliquam ad tempora illum eos alias accusantium, ullam facere cupiditate ducimus eius? Fuga veritatis itaque tenetur nostrum maiores quis harum, assumenda laborum adipisci itaque facilis consequatur, labore adipisci voluptatem placeat asperiores similique distinctio mollitia? Molestiae sequi et corporis deleniti ea in, itaque ipsa reiciendis aspernatur neque beatae? Deleniti aperiam quaerat cupiditate excepturi laborum architecto quibusdam fugiat repellendus quia nihil, possimus cupiditate maiores optio rerum ex reprehenderit commodi dicta laborum?

Distinctio atque fuga aspernatur cum consequatur porro aperiam ipsa repellendus consequuntur tempora, laboriosam a cum perspiciatis accusamus natus incidunt recusandae laborum quasi libero, laboriosam exercitationem repudiandae. Deserunt natus cumque voluptates ratione mollitia odit sed perferendis, nesciunt temporibus ab similique doloribus blanditiis officiis incidunt natus, inventore nemo sunt tenetur non illo rem aperiam laborum, vero reiciendis pariatur est voluptates vel quod atque rem repellendus quasi hic.

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)