pandas中的corr()方法可使用如下方法，检测特征间的关系
皮尔森相关系数(线性相关)
计算公式：两个连续变量(X,Y)的pearson相关性系数(Px,y)等于(X, Y)的协方差cov(X,Y)除以各自标准差的乘积(σX,σY)。
系数取值在-1.0到1.0之间，接近0的变量被成为无相关性，接近1或者-1被称为具有强相关性。
def pearson(vector1, vector2):
n = len(vector1)
#simple sums
sum1 = sum(float(vector1[i]) for i in range(n))
sum2 = sum(float(vector2[i]) for i in range(n))
#sum up the squares
sum1_pow = sum([pow(v, 2.0) for v in vector1])
sum2_pow = sum([pow(v, 2.0) for v in vector2])
#sum up the products
p_sum = sum([vector1[i]*vector2[i] for i in range(n)])
#分子num，分母den
num = p_sum - (sum1*sum2/n)
den = math.sqrt((sum1_pow-pow(sum1, 2)/n)*(sum2_pow-pow(sum2, 2)/n))
if den == 0:
return 0.0
return num/den
皮尔森相关系数对数据是有比较高的要求的：
第一， 实验数据通常假设是成对的来自于正态分布的总体。因为在求皮尔森相关性系数以后，通常还会用 t 检验等方法来进行皮尔森相关性系数检验，而 t 检验是基于数据呈正态分布的假设的。
第二， 实验数据之间的差距不能太大，或者说皮尔森相关性系数受异常值的影响比较大。
例如心跳与跑步的例子，如果心脏不好，跑到一定速度后承受不了，突发心脏病，就会测到一个偏离正常值的心跳（过快或者过慢，甚至为0），如果加入这个值相关性分析，会干扰计算结果。
斯皮尔曼相关系数
衡量两个变量依赖性的非参数指标。常用希腊字母 ρ 表示，用单调方程评价两个统计变量相关性。
如果数据中没有重复值， 并且当两个变量完全单调相关时，斯皮尔曼相关系数则为+1或−1。
斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本，n个原始数据被转换成等级数据。
斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。
依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”。
斯皮尔曼等级相关对数据条件的要求：
两个变量的观测值是成对的等级评定资料，
或由连续变量观测资料转化得到的等级资料，
不论两个变量总体分布形态、样本容量的大小如何，都可用斯皮尔曼等级相关来进行研究。
反映两组变量之间联系的密切程度，取值在-1到+1之间，是建立在等级的基础上计算的。
等级相关系数和通常的相关系数一样，与样本的容量有关，尤其在样本容量较小的情况下，其变异程度较大，等级相关系数的显著性检验与普通的相关系数的显著性检验相同。
斯皮尔曼相关性系数，通常也叫斯皮尔曼秩相关系数。“秩”，可以理解成就是一种顺序或者排序，
根据原始数据的排序位置进行求解，这种表征形式就没有了求皮尔森相关性系数时那些限制。
计算公式：
无论X和Y 两个变量的值差多少，只需计算每个值所处的排列位置的差值，就可求出相关性系数。
变量值没有变化时，也不会出现像皮尔森系数那样分母为 0 而无法计算的情况。
如果出现异常值，由于秩次通常不会有明显的变化（比如过大或者过小，那要么排第一，要么排最后），所以影响也非常小。由于没有那些数据条件要求，适用的范围就广多了。
肯德尔相关系数
经常用希腊字母τ(tau)表示，肯德尔相关系数用来测量两个随机变量相关性的统计值。
肯德尔检验是一个无参数假设检验，使用计算而得的相关系数去检验两个随机变量的统计依赖性。
肯德尔相关系数的取值范围在-1到1之间，当τ为1时，表示两个随机变量拥有一致的等级相关性；
当τ为-1时，表示两个随机变量拥有完全相反的等级相关性；当τ为0时，表示两个随机变量是相互独立的。
参考：
统计学三大相关系数之皮尔森（pearson）相关系数_ruthy-wei的博客-CSDN博客_皮尔森相关系数
CSDN
