在数据分析时，经常会针对两个变量进行相关性分析。在 Python 中主要用到的方法是pandas中的corr()方法。
corr()：如果由数据框调用corr函数，那么将会计算每个列两两之间的相似度，返回DataFrame
corr(other)：如果由序列调用corr方法，那么只是该序列与传入的序列之间的相关度，返回一个数值型，大小为相关度
我们以pandas.DataFrame.corr()为例进行详细说明：
DataFrame.corr(method=’pearson’, min_periods=1)
method : 指定相关系数的计算方式，可选性为：{‘pearson’,‘kendall’,‘spearman’} pearson :皮尔逊相关系数
kendall :kendall秩相关系数
spearman :斯皮尔曼等级相关系数
min_periods : int, optional，指定每列所需的最小观察数，可选，目前只适合用在pearson和spearman方法。
线性相关关系通常采用皮尔逊（Pearson）相关系数r来度量连续变量之间线性相关强度
r>0：线性正相关
r<0：线性负相关
r=0：两个变量之间不存在线性关系（并不代表两个变量之间不存在任何关系）
线性相关系数|r|的取值范围：
低度相关：0 <= |r| <= 0.3
中度相关：3 <= |r| <= 0.8
高度相关：8 <= |r| <= 1
相关性的可视化呈现：
from string import ascii_letters
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="white")
# Generate a large random dataset
rs = np.random.RandomState(33)
d = pd.DataFrame(data=rs.normal(size=(100, 26)),
columns=list(ascii_letters[26:]))
# Compute the correlation matrix
corr = d.corr()
# Generate a mask for the upper triangle
mask = np.zeros_like(corr, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True
# Set up the matplotlib figure
f, ax = plt.subplots(figsize=(11, 9))
# Generate a custom diverging colormap
cmap = sns.diverging_palette(220, 10, as_cmap=True)
# Draw the heatmap with the mask and correct aspect ratio
sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
square=True, linewidths=.5, cbar_kws={"shrink": .5})
plt.show()
参考链接：
