Pearson, Spearman, Kendall 三大相關係數簡單介紹
Pearson, Spearman, Kendall 三類相關係數是統計學上的三大重要相關係數，表示兩個變數之間變化的趨勢方向和趨勢程度。下面對這三類係數做簡單的介紹。
1、Pearson 相關係數（連續變數）
公式：
假設條件：
a) 兩個變數分別服從正態分布，通常用t檢驗檢查相關係數的顯著性；
b) 兩個變數的標準差不為0。
結論：
pearson 描述的是線性相關關係，取值[-1, 1]。負數表示負相關，正數表示正相關。在顯著性的前提下，絕對值越大，相關性越強。絕對值為0， 無線性關係；絕對值為1表示完全線性相關。
python3.6應用 ：
a) Dataframe.corr(method=pearson), 返回相關關係矩陣
b) from scipy.stats import normaltest, probplot
normaltest(a）返回統計數和檢驗P值， 樣本要求>20。
probplot(np.array(x,y), dist="norm", plot=pylab) 化PP圖，若在對角線，則相關性強。
2、Spearman 秩相關係數（連續變數）
公式：
結論：無參數的等級相關係數，亦即其值與兩個相關變數的具體值無關，而僅僅與其值之間的大小關係有關。di表示兩個變數分別排序後成對的變數位置差，N表示N個樣本，減少異常值的影響。
python3.6應用 ：
a) Dataframe.corr(method=spearman), 返回相關關係矩陣
b) from scipy.stats import spearmanr
spearmanr(array）返回 Pearson 係數和檢驗P值， 樣本要求>20。
3、Kendall 相關係數 （有序分類變數）
公式：
結果：屬於等級相關係數。排序一致，則為1， 排序完全相反則為-1。
python3.6應用 ：
a) Dataframe.corr(method=kendall), 返回相關關係矩陣
b) from scipy.stats import kendalltau
kendalltau(x, y) 返回係數和P值
推薦閱讀：