皮尔逊、肯德尔、斯皮尔曼相关分析分别是针对什么_三分钟掌握皮尔逊相关分析，洞悉变量关系...

变量类型与推荐的假设检验方法

可以看到，当我们探索两个连续变量之间的关系时，相关分析是一个很好的选择。那么，相关分析的原理是什么？如何在Python中实现相关分析呢？

一、Pearson相关系数

针对两个独立的服从正态分布的连续变量，我们常用Pearson相关系数来衡量它们之间的相关性。Pearson相关系数的值域为[-1, 1]，当相关系数小于0时，表明两变量之间存在线性负相关关系；当相关系数大于0时，表明两变量之间存在线性正相关关系；当相关系数等于0时，表明两变量之间无明显的相关关系。

当变量不符合正态分布或者是顺序型变量时，我们常用Spearman相关系数来衡量变量间的关系；当我们需要探索变量间的非线性关系时，可以使用Kendall相关系数。不过这些不在本篇的讨论范围内，如果感兴趣的人多，可以在下方留言。

一般情况下，我们用r来表示相关系数，r的取值与相关程度之间的关系如下：