pandas——相關係數函數corr()

計算DataFrame列之間的相關係數

    a = np.arange(1,10).reshape(3,3)
    data = DataFrame(a,index=["a","b","c"],columns=["one","two","three"])
    print(data)
    '''
       one  two  three
    a    1    2      3
    b    4    5      6
    c    7    8      9
    '''
    #計算第一列和第二列的相關係數
    print(data.one.corr(data.two))
    #1.0
    #返回一個相關係數矩陣
    print(data.corr())
    '''
           one  two  three
    one    1.0  1.0    1.0
    two    1.0  1.0    1.0
    three  1.0  1.0    1.0
    '''
    #計算第一列和第二列的協方差
    print(data.one.cov(data.two))
    #9.0
    #返回一個協方差矩陣
    print(data.cov())
    '''
           one  two  three
    one    9.0  9.0    9.0
    two    9.0  9.0    9.0
    three  9.0  9.0    9.0
    '''

相關性係數（pearson、spearman、kendall，pointbiserialr）

series.corr(other[, method, min_periods]) 

用途：

檢查兩個變量之間變化趨勢的方向以及程度，值範圍-1到+1，0表示兩個變量不相關，正值表示正相關，負值表示負相關，值越大相關性越強。
計算積距pearson相關係數，連續性變量纔可採用;計算Spearman秩相關係數，適合於定序變量或不滿足正態分佈假設的等間隔數據; 計算Kendall秩相關係數，適合於定序變量或不滿足正態分佈假設的等間隔數據。

1pearson correlation coefficient(皮爾森相關性係數）

公式可以化簡爲：

連續數據，正態分佈，線性關係，用pearson相關係數是最恰當

spearman相關係數

不滿足連續數據，正態分佈，線性關係，用spearman相關係數是最恰,當兩個定序測量數據之間也用spearman相關係數。