用corr()直接计算两列相关系数最简单，只需确保两列均为数值型，调用df['a'].corr(df['b'])即返回标量皮尔逊系数；若含非数值或过多NaN会报错或返回nan，应先清洗数据并确认dtype为float64/int64。
用 corr() 直接算两列相关系数最简单
只要两列都是数值型，corr() 一行就能出结果，不需要先提取、再调用 numpy.corrcoef() 或 scipy.stats.pearsonr()。它默认计算皮尔逊相关系数，返回值是标量（不是 DataFrame）。
常见错误是传入非数值列（比如含字符串或空字符串），会直接报 TypeError: unsupported operand type(s) for /: 'str' and 'float'；或者列里有太多 NaN 导致结果为 nan。
- 确保两列 dtype 是
float64或int64，可用df['col'].astype(float)强转（注意处理空值） - 想跳过缺失值：默认就用
min_periods=1，但更稳妥的是显式指定method='pearson', min_periods=2 - 别写成
df['a'].corr(df['b'].values)——.values会丢掉索引对齐逻辑，若两列长度一致但索引乱序，结果可能错
不同相关系数方法怎么选：pearson、spearman、kendall
corr() 的 method 参数支持三种：默认 'pearson'（线性相关），'spearman'（秩相关，对异常值鲁棒），'kendall'（更适合小样本或存在大量并列值）。
性能上差异不大，但语义区别明显：比如房价和面积通常用 pearson；用户评分和购买次数如果分布偏斜严重，spearman 更合理。
立即学习“Python免费学习笔记（深入）”；
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
-
df['price'].corr(df['area'], method='spearman')—— 不依赖线性假设 -
method='kendall'计算慢一点，尤其数据量 >10k 行时，不建议默认用 - 所有方法都会自动剔除两列中任一为
NaN的行（pairwise deletion），不是分别删空值再对齐
批量算多列两两相关？别用嵌套循环
如果手写 for i in cols: for j in cols: 调用 corr()，既慢又容易漏掉对称性（a.corr(b) == b.corr(a)）。直接用 df[cols].corr() 得到完整相关矩阵更稳。
注意这个矩阵是对称的，对角线恒为 1；如果你只想要上三角部分（避免重复），可以用 np.triu() 配合 mask，但多数场景下直接取 result.loc['a', 'b'] 就够了。
- 想导出为 CSV 查看：用
df[cols].corr().round(3).to_csv('corr_matrix.csv') - 如果某列是类别型（如
categorydtype），corr()会静默跳过——不会报错，但结果里没它，得先确认df[cols].dtypes - 相关系数接近 ±1 不代表因果，只是线性/单调关联强度；值为 0 也不代表无关（可能是强非线性关系）
遇到 inf 或 nan 怎么办
典型原因是某列标准差为 0（全相同值），此时皮尔逊公式分母为 0，返回 nan；若列含 inf，corr() 默认不报错但结果不可靠。
- 检查常数列：
df['col'].nunique() == 1，这种列参与相关计算无意义，应提前过滤 - 清理
inf：df.replace([np.inf, -np.inf], np.nan, inplace=True)，再做corr() - 想让结果更鲁棒：用
spearman方法，它对常数列返回nan（明确提示问题），而pearson有时返回0.0或nan，不易察觉
相关系数本身是个统计量，不是魔法开关；值大小受样本量、异常值、测量误差影响很大，拿到数字后最好配合散点图一起看。
