說到相關係數需要了解的 3 個概念：相關分析、數據期望、協方差。先分別說明這些概念。
相關分析
相關分析是用來說明兩個變量之間的關係。這個關係包含：兩個變量的方向和強度。
按相關的程度不同分：完全相關、統計相關、完全無關。
數學期望
例子：某城市有 10 萬個家庭，沒有孩子的家庭有 1000 個，有一個孩子的家庭有 9 萬個，有兩個孩子的家庭有 6000 個，有 3 個孩子的家庭有 3000 個。則此城市中任一個家庭中孩子的數目是一個隨機變量，記為 X。它可取值 0，1，2，3。其中，X 取 0 的概率為 0.01，取 1 的概率為 0.9，取 2 的概率為 0.06，取 3 的概率為 0.03。則數學期望：
即此城市一個家庭平均有小孩 1.11 個，當然人不可能用 1.11 個來算，約等於 2 個。
協方差
協方差可以看這篇文章，已經說得比較清楚。《如何通俗地理解協方差與相關係數？》
相關係數
Pearson 相關係數：一般用來計算兩個連續型變量的相關係數。也是最常用的相關係數。公式這裡就不寫了，一些統計學的教程都有說明。當兩個變量的標準差都不為零時，相關係數才有定義，皮爾遜相關係數適用於：
兩個變量的觀測值是成對的，每對觀測值之間相互獨立。
Spearman 相關係數：兩個變量無論連續還是分類都可以使用。
kendall 相關係數：一個連續一個分類。最好是定序變量。
相關係數是公式的不同。主要的 Pearson 相關係數在上面那篇《如何通俗地理解協方差與相關係數？》也有說明，這裡不細說。
−1 ≤ 𝐶𝑜𝑟𝑌,𝑋 ≤ 1 代表的含義：
關於相關係數 r 的取值說明：
|r| 越接近 1，表明相關關係越密切；越接近於0，相關關係就越不密切。r = 0，兩變量無直線關係；
r = +1 或 r = -1,表明兩變量完全相關；
r > 0 現象呈正直線關係；r < 0 現象呈負相關；
在說明兩個變量之間線性關係的密切程度時，根據經驗可將相關程度分為以下幾種情況：當 |r| ≥ 0.8 時，視為高度相關；0.5 ≤ |r| < 0.8 時， 視為中度相關；0.3 ≤ |r| < 5時，視為低度相關；|r| < 0.3 時，說明兩個變量之間的相關程度極弱，可視為不相關。但這種說明必須建立在相關係數通過顯著性檢驗的基礎之上。
# 導入包
import seaborn as sns
from pandas import Series,DataFrame
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
# 拿到titanic數據集
titanic = sns.load_dataset('titanic')
# 查看前5行數據
titanic.head()
參數說明：method{『pearson』, 『kendall』, 『spearman』} ，默認 Pearson 相關係數；
min_periods：int類型可選值。觀察每對列所需的最小數，樣本最少的數據量。僅適用於 Pearson 和Spearman。
corr = titanic.corr()
corr
相關係數可視化plt.figure(figsize=(14,10))
sns.heatmap(corr,linewidths=0.2, cmap="YlGnBu",annot=True)