pearson相关系数_Pearson, Spearman, Kendall 三大相关系数简单介绍
Pearson, Spearman, Kendall 三类相关系数是统计学上的三大重要相关系数，表示两个变量之间变化的趋势方向和趋势程度。下面对这三类系数做简单的介绍。
1、Pearson 相关系数（连续变量）
公式：
假设条件：
a) 两个变量分别服从正态分布，通常用t检验检查相关系数的显著性；
b) 两个变量的标准差不为0。
结论：
pearson 描述的是线性相关关系，取值[-1, 1]。负数表示负相关，正数表示正相关。在显著性的前提下，绝对值越大，相关性越强。绝对值为0， 无线性关系；绝对值为1表示完全线性相关。
python3.6应用 ：
a) Dataframe.corr(method='pearson'), 返回相关关系矩阵
b) from scipy.stats import normaltest, probplot
normaltest(a）返回统计数和检验P值， 样本要求>20。
probplot(np.array(x,y), dist="norm", plot=pylab) 化PP图，若在对角线，则相关性强。
2、Spearman 秩相关系数（连续变量）
公式：
结论：无参数的等级相关系数，亦即其值与两个相关变量的具体值无关，而仅仅与其值之间的大小关系有关。di表示两个变量分别排序后成对的变量位置差，N表示N个样本，减少异常值的影响。
python3.6应用 ：
a) Dataframe.corr(method='spearman'), 返回相关关系矩阵
b) from scipy.stats import spearmanr
spearmanr(array）返回 Spearman 系数(系数矩阵)和检验P值， 样本要求>20。
3、Kendall 相关系数 （有序分类变量）
公式：
结果：属于等级相关系数。排序一致，则为1， 排序完全相反则为-1。
python3.6应用 ：
a) Dataframe.corr(method='kendall'), 返回相关关系矩阵
b) from scipy.stats import kendalltau
kendalltau(x, y) 返回系数和P值