概念介绍

相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。
相关系数大小解释

相关性	绝对值
无相关	0 - 0.09
弱相关	0.1 - 0.3
中相关	0.3 - 0.5
强相关	0.5 - 1

表中所定的标准从某种意义上说是武断的和不严格的。
对相关系数的解释是依赖于具体的应用背景和目的。

Pearson（皮尔逊）相关系数

简介：皮尔逊相关也称为积差相关（或积矩相关）是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。

公式

也可以化简为

适用范围

• 两个变量之间是线性关系，都是连续数据。
• 两个变量的总体是正态分布，或接近正态的单峰分布。
• 两个变量的观测值是成对的，每对观测值之间相互独立。

总结起来为三个关键词：【连续数据】、【正态分布】、【线性关系】

若不满足以上任一条件，则使用spearman相关系数

spearman相关系数

Python实现

#导入包
import pandas as pd
import matplotlib.pyplot as plt#导入数据
dates = pd.read_csv(r"C:\Users\八年级女生体测数据.csv",encoding='gbk')
#查看开头几行数据
dates.head()

在使用相关系数之前要画出变量之间的散点，观察是否为线性关系
这里用的数据是随机生成的，不符合规律，仅用于练习，在数学建模中不会出现这种数据的。

X0 = dates.iloc[:]['身高']
X1 = dates.iloc[:]['体重']
X2 = dates.iloc[:]['肺活量']
#画出身高与体重的散点图
plt.scatter(X0,X1)

date = dates[['身高','体重','肺活量','50米跑','立定跳远','坐位体前屈']]
date.corr()#计算皮尔逊相关系数

date.corr('spearman')#计算spearman相关系数

相关数据及MATLAB代码

相关数据和代码已经放在了【茶谈大数据】公众号

参考内容

https://blog.csdn.net/qq_30142403
https://blog.csdn.net/weixin_43172660