斯皮尔曼（Spearman）相关
斯皮尔曼（Spearman）相关是衡量两个变量的依赖性的 非参数 指标。 它利用单调方程评价两个统计变量的相关性。 如果数据中没有重复值， 并且当两个变量完全单调相关时，斯皮尔曼相关系数则为+1或−1。
scipy.stats.spearmanr
scipy.stats.spearmanr(a, b=None, axis=0, nan_policy=‘propagate’)
from scipy import statsstats.spearmanr([1,2,3,4,5], [5,6,7,8,7])# (0.82078268166812329, 0.088587005313543798)
皮尔逊（Pearson）相关
Pearson相关系数（Pearson Correlation Coefficient）是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。
scipy.stats.pearson
scipy.stats.pearsonr(x, y)
from scipy import statsstats.pearsonr([1, 2, 3, 4, 5], [10, 9, 2.5, 6, 4])# (-0.7426106572325057, 0.1505558088534455)
区别
1.连续数据，正态分布，线性关系，使用pearson相关系数（用spearman相关系数也可计算）
2.上述任一条件不满足，使用spearman相关系数
3.两个定序测量数据之间也用spearman相关系数
Spearman 和Pearson相关系数在算法上完全相同。
Pearson相关系数是用原来的数值计算积差相关系数, 而Spearman是用原来数值的秩次计算积差相关系数.
如果觉得《斯皮尔曼（Spearman）\ 皮尔逊（Pearson）相关系数计算》对你有帮助，请点赞、收藏，并留下你的观点哦！
