corr()方法可快速计算数值特征间皮尔逊相关系数，返回对称矩阵，自动跳过非数值列和含NaN行；需先用select_dtypes提取数值列，再设阈值（如|r|>0.8）识别强相关特征对。
用 corr() 快速计算数值特征相关系数
直接调用 Pandas DataFrame 的 corr() 方法是最省力的起点，它默认用皮尔逊（Pearson）法计算两两数值列之间的线性相关性，返回一个对称矩阵。注意：它会自动跳过非数值列（如字符串、时间戳），也忽略含 NaN 的行对——这点容易被忽略，导致样本量缩水却不自知。
常见错误是直接对原始数据跑 corr()，结果发现某些列“消失”了，其实是它们被 Pandas 当作非数值类型过滤掉了。可先用 df.dtypes 检查，再用 df.select_dtypes(include=['number']) 显式提取数值列。
示例：
num_df = df.select_dtypes(include=['number']) corr_matrix = num_df.corr(method='pearson') # method 可选 'spearman' 或 'kendall'
设定阈值并定位高相关特征对
相关系数绝对值 > 0.8 或 0.9 常被视作强相关，但阈值没有银弹——得看业务场景。比如金融风控中 0.6 就可能需干预；而图像特征提取后常有大量弱相关（|r|
立即学习“Python免费学习笔记（深入）”；
关键不是只看单个值，而是找出「成对」的高相关组合，并避免重复（A-B 和 B-A 是同一对）。推荐用 np.triu() 掩掉上三角，再用布尔索引提取：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 用
np.triu(np.ones(corr_matrix.shape), k=1)构造上三角掩码 -
corr_matrix.where(mask).stack().abs().sort_values(ascending=False)得到降序排列的特征对 - 结果是
MultiIndex Series，索引为(feature_a, feature_b)，值为 |r|
剔除策略：保留业务意义强或缺失更少的那个
不能只按字母顺序或出现顺序删——这会让模型失去解释性或稳定性。实际操作中优先保留：feature 名更贴近业务定义的（如 loan_amount 比 log_loan_amount 更基础），或 df[feature].isna().sum() 缺失值更少的，或方差更大的（df[feature].var()）。
还有一个易踩坑点：别在原始训练集上一次性剔除所有高相关列。如果后续要部署，必须把剔除逻辑固化为预处理步骤（例如封装进 ColumnTransformer 或自定义 Transformer），否则线上 inference 时列不一致会直接报错 KeyError。
注意非线性关系和分类特征
corr() 只抓线性关系。若散点图呈抛物线或分段趋势，corr() 可能接近 0，但实际有强关联——这时该看 sns.scatterplot() 或计算 sklearn.feature_selection.mutual_info_regression()。
对于分类特征（如 city, product_type），不能硬套 corr()。应先做独热编码（pd.get_dummies()）再算相关性，或改用 sklearn.feature_selection.mutual_info_classif()（分类目标）或 chi2()（卡方检验，要求特征也离散化）。
真正麻烦的是混合类型：一个数值特征和一个高基数分类特征（如用户 ID）之间，相关性指标本身意义不大——这时候更该怀疑是否引入了数据泄露，而不是纠结相关系数大小。
