未记录事实核验 · 状态：现行内容

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 适用边界与维护说明

本文适合作为相关分析的入门练习，使用给定数组计算皮尔逊相关系数并绘制散点图；运行示例需具备 NumPy 和 Matplotlib 环境。皮尔逊系数衡量线性相关程度，接近0不能排除非线性关系，相关性也不能用于推断因果。本节不包含回归模型训练、预测或统计显著性检验。

🔗 相关分析（Correlation Analysis）

abstract 📋 本节概览

  • 🎯 学习目标：理解什么是相关分析，如何用Python计算相关系数
  • 📚 前置知识：描述性统计|描述性统计 | 皮尔逊相关系数|皮尔逊相关系数
  • ⏱️ 预计用时：10分钟

相关分析学习

note 📖 **什么是相关分析？**

相关分析就是"看两个变量是不是有关系"。比如身高和体重，学习时间和考试分数。

生活例子：

  • 你发现学习时间越长，考试分数越高，这就是正相关。
  • 冰淇淋销量和气温也有相关性，天越热卖得越多。

🛠️ 相关分析练习

  1. 思路说明

    • 用numpy或pandas计算相关系数
    • 用matplotlib画散点图直观展示关系

  2. 学习目标

    • numpy（科学计算库）
    • pandas（数据分析库）
    • matplotlib（画图）

  3. 代码示例

import numpy as np
import matplotlib.pyplot as plt
x = np.array([1, 2, 3, 4, 5])  # 学习时间
y = np.array([2, 4, 5, 4, 5])  # 考试分数
corr = np.corrcoef(x, y)[0, 1]
print("相关系数:", corr)
plt.scatter(x, y)
plt.xlabel('学习时间')
plt.ylabel('考试分数')
plt.title('相关分析散点图')
plt.show()

tip 💡 这里计算的是皮尔逊相关系数r：越接近1或-1，线性相关越强；接近0表示线性相关较弱，但不能排除非线性关系。相关性不等于因果关系。

🔗 相关知识

#统计学 #相关分析 #基础 #Python