df.corr(method='spearman') 更快更安全，自动跳过含NaN行对、支持批量计算；scipy.stats.spearmanr需手动处理缺失值且返回元组，拼矩阵麻烦。
直接用 df.corr(method='spearman')，比手动调用 scipy.stats.spearmanr 快得多，也更安全——它自动跳过含 NaN 的行对，且支持整表批量计算。
为什么不用 scipy.stats.spearmanr 逐列调用？
逐对调用 spearmanr 容易踩两个坑：一是它默认不处理缺失值，遇到 NaN 直接报 ValueError: The input must not contain NaNs；二是返回的是元组 (rho, p-value)，只取相关系数得写 spearmanr(a, b)[0]，拼成矩阵很麻烦。
而 df.corr(method='spearman') 内部已做配对剔除（pairwise deletion），且返回标准的 DataFrame，行列名自动对齐。
- 如果必须用
scipy（比如要同时拿 p 值），得先dropna()或用nan_policy='omit' -
method='spearman'在pandas>=1.3.0后才稳定支持，旧版本会回退到 Pearson
df.corr(method='spearman') 的实际行为细节
它不是对每列单独 rank 再算 Pearson，而是对每对列独立做秩转换 + Pearson 计算，等价于 scipy.stats.spearmanr 的 pairwise 模式。这意味着：
立即学习“Python免费学习笔记（深入）”；
- 两列之间的有效样本数可能不同（因各自缺失位置不同）
- 结果矩阵不一定正定，但对相关性分析通常够用
- 数值型列自动参与，非数值列（如
object）被静默跳过，不报错也不警告 - 若某列全是相同值，秩全为 1，相关系数为
NaN（因方差为 0）
提速和避坑的实操建议
大数据量时，df.corr 默认是单线程，但你可以提前把无关列删掉，避免冗余计算：
- 用
select_dtypes(include=['number'])过滤出数值列再算 - 如果只要上三角部分，后续用
np.triu(df_corr, k=1)提取，别用循环 - 想并行加速？目前
pandas不支持，但可拆成块用joblib手动分发——不过小数据（ - 注意：
float32列在秩转换中可能因精度丢失导致微小差异，关键场景建议转float64
最常被忽略的是缺失值模式的影响——两列缺失位置高度重合时，有效样本极少，相关系数波动会很大，这种情况下看 p 值比看 rho 更重要，而 df.corr 不提供 p 值，得另算。
