• DataFrame.corr(method=‘pearson’, min_periods=1) 計算列與列之間的相關係數，返回相關係數矩陣

  • method : {‘pearson’, ‘kendall’, ‘spearman’} * pearson : standard correlation coefficient * kendall : Kendall Tau correlation coefficient * spearman : Spearman rank correlation

  allDf = pd.DataFrame({
      'x':[0,1,2,4,7,10],
      'y'
   
  :[0,3,2,4,5,7],
      's':[0,1,2,3,4,5],
      'c':[5,4,3,2,1,0]
  },index = ['p1','p2','p3','p4','p5','p6'])
  
  # print(allDf) 
  
  corr_matrix = allDf.corr()
  print(corr_matrix)
  
  

  out: x y s c x 1.000000 0.941729 0.972598 -0.972598 y 0.941729 1.000000 0.946256 -0.946256 s 0.972598 0.946256 1.000000 -1.000000 c -0.972598 -0.946256 -1.000000 1.000000

相關係數的取值範圍為[-1, 1],當接近1時，表示兩者具有強烈的正相關性，比如‘s’和‘x’；當接近-1時，表示有強烈的的負相關性，比如‘s’和‘c’，而若值接近0，則表示相關性很低.

接下來是房價分析的例子：

	corr_matrix = housing.corr()
	corr_matrix["median_house_value"].sort_values(ascending=False)

out: median_house_value 1.000000 median_income 0.687160 total_rooms 0.135097 housing_median_age 0.114110 households 0.064506 total_bedrooms 0.047689 population -0.026920 longitude -0.047432 latitude -0.142724 Name: median_house_value, dtype: float64

可以看出，房價與收入有比較強的相關性，而與緯度的相關性很低。