如果觉得python利用Scipy计算person和spearman的相关系数有帮助的话，欢迎一起学习~
学习以下两位大人物的讲义(Pearson )皮尔森相关系数和spearman相关系数(安装python )
相关系数及其python实现
皮尔森相关系数下有皮尔森相关系数的计算公式。 (x和y的协方差)/) x的标准偏差*Y的标准偏差)
spearman相关系数
在简单的相关系数的分类中，对于这两个系数，什么样的值好，取决于以下关系
0.8-1.0 :关联性非常高
0.6-0.8 :强相关性
0.4-0.6 :中等强度相关
0.2-0.4 :弱相关
0.0-0.2 :极弱或不相关
区别是有问题的。 所有的变量都可以使用这两个系数吗？ 这两个变量当然有区别。 不同之处如下。 连续数据、正态分布、线性关系最适合使用pearson相关系数，当然也可以使用spearman相关系数，效率不如pearson相关系数高。 如果不满足以上条件之一，则使用spearman相关系数，而不能使用pearson相关系数。 两个顺序测量数据(顺序变量)之间也使用spearman相关系数，不能使用pearson相关系数。 Pearson相关系数的一个明显缺陷是作为一种特征排序机制，它只对线性关系敏感。 如果关系是非线性的，即使两个变量具有一对一的关系，Pearson相关也有可能接近0。 codeimportscipy.stats # createtwolistsofrandomvaluesx=[ 1，2，3，4，5，6，7，8，9 ] y=[ 2，1，2，4，4，4.5，7 9.5 )打印(scipy.stats.pearsonr (x，y ) [0] ) 0.9412443251336238打印(scipy.stats.spearmanr ) x， y ) [0] ) 0.903773601456181验证密码和人员之间的关系(createtwolistsofrandomvaluesx=[ 1，2，3，4，5，6，7，8 ) 9.5 ) # calculate spearman’srankcorrelation # se arman’srankcorrelationisthepearson’scorrelationcoefficientoftherankedversedveration createafunctionthattakesinx ' sandy ' sdefspearmans _ rank _ correlation (xs， ys ) : # calculatetherankofx ' sxranks=PD.series (xs ).rank ) # caclulatetherankingofthey ' sy ranks=PD.series calculate Pearson ' scorrelationcoefficientherankedversionfthedataretureturnson 计算son系数print (spearman s _ rank _ correlation ) x，y ) [0] ) 0.9037736014561808 # calculate spearman’scorrelationusingscon 计算Just to check our results，hereitspearman ' susingscipyprint (scipy.stats.spearman r (x，y ) [0] ) # 0.903773601456181