最早接触pearson相关系数时，是在大学《概率论与数理统计》课本中，后来从事数据分析挖掘相关的工作，经常会用到评价两组数据之间的相关性，于是找到了皮尔森（pearson）相关系数。其实，还有一种相关系数斯皮尔曼（spearman）相关系数，肯德尔（kendall）相关系数。在这三大相关系数中，spearman和kendall属于等级相关系数亦称为"秩相关系数"，是反映等级相关程度的统计分析指标。今天先不介绍。今天先聊一下比较常用的pearson相关系数。用数学公式表示，皮尔森相关系数等于两个变量的协方差除于两个变量的标准差，先看一下公式：pearson是一个介于-1和1之间的值，用来描述两组线性的数据一同变化移动的趋势。当两个变量的线性关系增强时，相关系数趋于1或-1；当一个变量增大，另一个变量也增大时，表明它们之间是正相关的，相关系数大于0；如果一个变量增大，另一个变量却减小，表明它们之间是负相关的，相关系数小于0；如果相关系数等于0，表明它们之间不存在线性相关关系。pearson相关系数在python中的实现：1，numpy库中实现：相关系数的对角矩阵2，在scipy中实现，主要是在stats包中实现得到的结果是一个元组，第一个元素是相关系数，第二个是P值，p-value越小，表示相关程度越显著。3，在pandas中运用，日常处理数据都是用pandas，这个当然少不了喽得到的也是一个相关系数数据皮尔逊相关系数的适用范围：当两个变量的标准差都不为零时，相关系数才有定义，皮尔逊相关系数适用于：1.两个变量之间是线性关系，都是连续数据。2.两个变量的总体是正态分布，或接近正态的单峰分布。3.两个变量的观测值是成对的，每对观测值之间相互独立。
