一、看两者是否算相关要看两方面：显著水平以及相关系数（1）显著水平,就是P值,这是首要的,因为如果不显著,相关系数再高也没用,可能只是因为偶然因素引起的,那么多少才算显著,一般p值小于0.05就是显著了；如果小于0.01就更显著；例如p值=0.001,就是很高的显著水平了,只要显著,就可以下结论说：拒绝原假设无关,两组数据显著相关也说两者间确实有明显关系.通常需要p值小于0.1,最好小于0.05设甚至0.01,才可得出结论：两组数据有明显关系,如果p=0.5,远大于0.1,只能说明相关程度不明显甚至不相关.起码不是线性相关.（2）相关系数,也就是PearsonCorrelation(皮尔逊相关

斯皮尔曼spearman相关系数斯皮尔曼相关系数定义：X和Y为两组数据，其斯皮尔曼（等级）相关系数:rs=1−6∑i=1ndi2n(n2−1)r_s=1-\frac{6\sum\limits_{i=1}^nd_i^2}{n(n^2-1)}rs​=1−n(n2−1)6i=1∑n​di2​​其中，did_idi​为XiX_iXi​和YiY_iYi​之间的等级差。可以证明：rsr_srs​为于-1和+1之间。等级：一个数的等级，就是将它所在的一列数按从小到大排序后，这个数所在的位置，也就是排序后等级从小到大为1，2，…，n。当排序时有相同数值时，则将取它们所在的位置的算数平均值。下面举一个例子：xy

文章目录一、概述二、定义2.1总体样本定义2.2估算样本定义2.3两种计算方式2.4皮尔森距离三、python实现3.1生成随机数据集3.2绘制散点图3.3计算相关系数3.3.1自定义函数（无显著性检验）3.3.2python函数（1）`pandas.corr函数（无显著性检验）`（2）`scipy.stats.pearsonr函数（有显著性检验）`（3）`pandas.corr加scipy.stats.pearsonr获取相关系数检验P值矩阵`一、概述皮尔森相关系数也称皮尔森积矩相关系数(Pearsonproduct-momentcorrelationcoefficient)，是一种线性相关

文章目录一、概述二、定义2.1总体样本定义2.2估算样本定义2.3两种计算方式2.4皮尔森距离三、python实现3.1生成随机数据集3.2绘制散点图3.3计算相关系数3.3.1自定义函数（无显著性检验）3.3.2python函数（1）`pandas.corr函数（无显著性检验）`（2）`scipy.stats.pearsonr函数（有显著性检验）`（3）`pandas.corr加scipy.stats.pearsonr获取相关系数检验P值矩阵`一、概述皮尔森相关系数也称皮尔森积矩相关系数(Pearsonproduct-momentcorrelationcoefficient)，是一种线性相关

目录前言一、基本概念及二者适用范围比较1、什么是相关性分析2、什么是相关系数3、适用范围比较二、相关系数1.皮尔逊相关系数（Pearsoncorrelation）1、线性检验2、正态检验3、求相关系数2、斯皮尔曼相关系数（Spearmancorrelation）1、秩相关系数2、使用条件3、求相关系数3、结果对比总结前言为参加数学建模做准备！从相关性分析学起！一、基本概念及二者适用范围比较1、什么是相关性分析        相关分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个因素的的相关密切程度，相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。2、什么是相关系数 

目录前言一、基本概念及二者适用范围比较1、什么是相关性分析2、什么是相关系数3、适用范围比较二、相关系数1.皮尔逊相关系数（Pearsoncorrelation）1、线性检验2、正态检验3、求相关系数2、斯皮尔曼相关系数（Spearmancorrelation）1、秩相关系数2、使用条件3、求相关系数3、结果对比总结前言为参加数学建模做准备！从相关性分析学起！一、基本概念及二者适用范围比较1、什么是相关性分析        相关分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个因素的的相关密切程度，相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。2、什么是相关系数