这里的相关性分析主要是线性相关性分析，当然其他的形状的相关性分析可以通过变换转换为线性相关性分析。但是，线性相关性分析始终是相关性分析的基础。线性相关分析的构建主要分为以下几种：
通过把点标出来主观上看是否是线性相关。
绘制散点图矩阵是直接绘制散点图的一种，适用于多元线性回归的描述。如果用直接绘制散点图的方法，将每次取多个元中的两个进行绘画，但是这样很没有逻辑。所以我们可以将这n个元的具体情况用柱状图表示出来，放在正方形的对角线上，这样每一个变量与每一个变量之间都绘制了一个散点图，做到了不重复不遗漏。
之前的两种方法偏向于定性分析，如果要定量分析，那么就要使用相关系数。在二元变量的相关分析中，比较常用的Pearson相关系数、Spearman秩相关系数、判定系数。
适用条件：分析两个连续性变量的相关关系（不太理解为什么说Pearson线性相关系数要求连续变量的取值服从正态分布）
公式：
判断条件：（其本身的条件决定r的取值为[-1，1]）
是正相关还是负相关：看r的正负，如果是正则是正相关，如果是负则是负相关
判断线性关系的强弱：
看r的绝对值：
绝对值=0：不存在线性关系
绝对值<=0.3：极弱线性相关或不存在线性相关
0.3<绝对值<=0.8：低度线性相关
0.5<绝对值<=0.8：显著线性相关
绝对值>0.8：高度线性相关
绝对值=1：完全线性相关
适用条件：不服从正态分布的变量、分类或等级变量之间的关联性分析可以使用Spearman秩相关系数，注意是可以使用，说明正太分布的也可以用Spearman秩相关系数。
公式：（Spearman秩相关系数是统计学的知识，需要对二元的数据的两种数据进行排序，用标号对每个排序数据进行标记，然后对同一个事物的两种排序的标号之差进行运算）
对两个变量成对的取值分别按照从小到大（或者从大到大小）顺序编秩，R i 代表x i 的秩次，Q i 代表y i 的秩次，R i -Q i 为x i 、y i 的秩次之差。
（举个例子）
来自于b站：
判断Spearman相关的强弱：
对于两个相关系数的建立，都要经过假设检验，一般使用t检验方法进行假设检验。研究表明，在正态分布的假定下，Spearman秩相关系数与Pearson相关系数在效率上是等价的，而对于连续测量数据，更适合于Pearson相关系数来分析。
判定系数是相关系数的平方，用来衡量回归方程对y的解释程度。
代码实现：以上两种相关系数都可以通过corr（）函数实现，具体的形式如下。
具体代码如下：
https://www.bilibili.com/video/BV1oE411G7Za/?spm_id_from=333.337.search-card.all.click&vd_source=a50afd4fb17bb7c0aa0f024bc613a5bd# 代码3-9 餐饮销量数据相关性分析
# 餐饮销量数据相关性分析
from __future__ import print_function
import pandas as pd
catering_sale = 'D:\DataMiningCode\chapter3\demo\data\catering_sale_all.xls' # 餐饮数据，含有其他属性
data = pd.read_excel(catering_sale, index_col = '日期') # 读取数据，指定“日期”列为索引列
print(data.corr()) # 相关系数矩阵，即给出了任意两款菜式之间的相关系数,这里的corr方法是默认首先使用Pearson相关系数
print(data.corr()['百合酱蒸凤爪']) # 只显示“百合酱蒸凤爪”与其他菜式的相关系数
print(data['百合酱蒸凤爪'].corr(data['翡翠蒸香茜饺']))# 计算“百合酱蒸凤爪”与“翡翠蒸香茜饺”的相关系数运行结果如下：
