机器学习把我整的有点蒙了，今天写点简单的。

什么是相关系数矩阵？

其实这个东西在数据分析中经常用到，相关系数矩阵可以一次性同时显示多个变量之间的相关关系。当我们做相关系数矩阵时，我们会得到一个包含每个变量与其他变量之间的相关系数的表。表中的系数显示了关系的强度及其方向（正或负相关）。在Python中，我们可以使用Pandas和NumPy创建相关系数矩阵。

相关矩阵的应用

在写代码之前呢，再给大家明确一下什么时候我们需要创建相关系数矩阵：

如果我们有一个大数据集，并且打算探索数据模式。将相关系数矩阵用于其他统计方法。例如，在进行探索性因子分析，验证性因子分析，结构方程模型时都要以相关矩阵作数据。其他的统计方法，比如回归分析的诊断也可能用到相关矩阵。相关的种类

相关的种类也有很多，常用的就是Pearson的乘积矩相关。根据变量的数据类型，还有数据遵循相关假设的不同，还有其他常用的方法，例如Spearman相关和Kendall相关。在这儿给出3位大佬的图片，具体什么时候用哪种相关，请自行搜索。

Pearson, Spearman, 和 Kendall

创建相关系数矩阵在NumPy中创建相关矩阵

要使用NumPy创建相关系数矩阵，常规语法如下：

np.corrcoef(x)

其中，x是一维或二维数组。

使用Pandas创建相关矩阵

要使用Pandas创建相关系数矩阵，常规语法如下：

df.corr()

在这里，df是DataFrame，而cor（）是获取相关系数的方法。

好，光说不行，直接给例子，首先是在Numpy中的例子。

首先，我们将使用numpy.loadtxt方法加载数据。然后，我们将使用corrcoeff方法创建相关系数矩阵。

import numpy as npdata = './SimData/correlationMatrixPython.csv'x = np.loadtxt(data, skiprows=1, delimiter=',',              unpack=True)np.corrcoef(x)

运行代码，我们可以得到

Correlation Matrix (NumPy Array)

注意，我使用skiprows参数跳过了包含变量名称的第一行，并使用了delimiter参数，因为这些列由逗号分隔。最后，我使用了unpack参数，以便我们的数据将遵循corrcoef的要求。最后一点；使用NumPy，我们无法计算Spearman相关和Kendall相关。

Pandas创建相关矩阵

import pandas as pd

data = './SimData/correlationMatrixPython.csv'df = pd.read_csv(data)df.head()

在下图中，我们可以看到数据集中四个变量的部分值：

3.计算相关矩阵：

df.corr()

得到以下输出：

最后，如果我们想使用其他相关方法（例如Spearman相关），我们只需将method ='Spearman'参数添加到corr方法中。参见下图。

感谢您耐心看完，发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，并且按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的。文章中原始数据链接

哈哈关注有福利，骗波关注么么哒。