pandas.Series.corr()默认计算皮尔逊相关系数，自动按索引对齐并成对删除NaN；DataFrame.corr()默认整行删除NaN，行为不同需注意。
用 pandas.Series.corr() 直接算两列数据的相关系数
只要两个 Series 长度一致、索引对齐（或可自动对齐），corr() 就能直接返回皮尔逊相关系数。它默认用 method='pearson'，所以不用额外指定。
常见错误是忽略缺失值处理：如果任一 Series 含 NaN，corr() 默认会 **只保留两个序列都非空的行**（即 pairwise deletion），这和用 numpy.corrcoef() 前手动 dropna() 的结果一致。
- 确保两个
Series索引类型相同（比如都是int64或都为DatetimeIndex），否则可能意外触发广播或对齐失败 - 如果索引不匹配但想强制按位置计算（忽略索引），先用
.values转成numpy.ndarray，再交给scipy.stats.pearsonr() - 注意：空值太多会导致有效样本量骤降，相关系数标准误变大，但
corr()不报 warning
用 DataFrame.corr() 批量计算多列间的皮尔逊矩阵
当你有多个变量（比如一个 DataFrame 里多列数值型数据），corr() 会返回一个方阵，对角线为 1，其余为两两皮尔逊系数。
默认行为是跳过含 NaN 的整行（complete-case deletion），和 Series.corr() 的 pairwise 行为不同 —— 这点容易踩坑。
立即学习“Python免费学习笔记（深入）”；
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 想恢复 pairwise 行为，得先用
df.dropna(how='all')清理全空行，再对每对列手动调用Series.corr() -
corr(method='pearson', min_periods=2)中的min_periods控制最少需几个有效配对才计算；设为None（默认）时，只要有一对非空就尝试算 - 如果某列是
object类型但实际存数字字符串（如'1.5'），corr()会静默跳过该列，不报错也不警告
验证结果是否可信：检查 scipy.stats.pearsonr() 返回的 p 值和置信区间
pandas 的 corr() 只返回系数值，不提供统计显著性信息。要判断这个相关是不是偶然发生的，得用 scipy.stats.pearsonr()。
它返回两个值：correlation 和 pvalue。注意：它要求输入是等长一维数组，且会自动移除 NaN 对（pairwise），和 pandas.Series.corr() 逻辑一致。
- 调用前务必确认两个输入长度相等，否则报
ValueError: x and y must have the same length - 若样本量
n ，<code>pearsonr()会返回(nan, nan)，而pandas可能仍返回一个数（比如两个点总能连出一条直线，系数为 ±1） - 需要置信区间？得自己用
scipy.stats.t或scipy.stats.bootstrap()构造，pearsonr()不提供
遇到 TypeError: unsupported operand type(s) for /: 'str' and 'float' 怎么办
这是最常卡住人的报错，本质是某列数据类型为 object，但内容混有字符串和数字，或全是字符串数字（如 '3.14'）。corr() 在内部做除法时失败。
别急着用 astype(float) 强转 —— 如果有非法字符（如 'N/A'、'--'），会直接崩。
- 先用
pd.to_numeric(series, errors='coerce')把无法解析的转成NaN，再算相关 - 检查原始数据：用
series.apply(type).unique()看是否真混了类型；用series.str.contains(r'[^0-9.-]', na=False).any()快速扫异常字符 - 如果列名含空格或特殊符号（如
'sales amt'），用df['sales amt'].corr(df['profit'])没问题，但别写成df.sales amt.corr(...)—— 语法错误
r 从 0.2 拉到 0.6。动手算之前，先画个散点图，比看任何数字都管用。 
