相关系数（Correlation coefficient）可用于评估两个变量之间的线性关系，它的值在-1到1之间，-1或1代表完美的负相关和正相关，0表示不存在线性关系。
计算相关系数的方法种类繁多，各有自己的定义以及适用情况
面对相同的数据，如果采用不同的相关分析，会得出不同的相关系数，如下图：
图片来源： [1]
一般来说，如果没有特别注明，我们所说的相关系数，通常指的是Pearson'r，由Pearson相关（Pearson’s correlation）计算得出。
不夸张的说，Pearson相关很可能是统计中被使用次数最多的方法。但它的使用也有诸多限制，比如两个变量需为连续变量，呈线性关系，无明显的极值，以及正态分布等。
第二种常见的相关分析方法应该是Spearman相关（Spearman's correlation），是一种非参数检验，受到的限制相对较少，可用于非正态分布的变量。
其实，掌握上述两种方法应该可以解决90%+以上的相关分析问题！
但是，小编接下来将会介绍15种相关分析算法的实操代码，助你在“相关分析”这个领域，可以“一览众山小”
马上进入操作部分
首先，安装R包{correlation}:
接下来使用R自带的数据集“iris”作为实战演练的例子，想要使用Pearson相关计算“iris”的各个变量之间的相关系数，并且计算它们的95%置信区间，以及p值。
那该怎么办？
代码简单的有点恐怖
输出结果非常的简洁明了！
correlation()在默认情况下，将“iris”中的非连续变量“Species”剔除，只将其他四个连续变量分别进行两两的相关分析，使用的方法为Pearson相关，p值的计算使用了Holm(1979)方法进行多重校正。
此外，也可以采用不同的呈现结果的方法：
那如何进行分组别的相关分析？
即在不同Species组别中进行相关分析，可以这么做：
这非常实用
除默认的Pearson相关外，correlation()共含有以下相关分析：
- Pearson's correlation （默认）
- Spearman's rank correlation
- Kendall's rank correlation
- Biweight midcorrelation
- Distance correlation
- Percentage bend correlation
- Shepherd's Pi correlation
- Blomqvist' coefficient
- Hoeffding's D
- Gamma correlation
- Gaussian rank correlation
- Point-Biserial and biserial correlation
- Polychoric correlation
- Tetrachoric correlation
- Auto （根据数据自动选择）
与上述相关方法相对应的R中代码字符如下，只需要选取对应的代码既可以进行想要的相关分析
- "pearson"
- "spearman"
- "kendall"
- "biweight"
- "distance"
- "percentage"
- "shepherd"
- "blomqvist"
- "hoeffding"
- "gamma"
- "gaussian"
- "biserial"
- "polychoric"
- "tetrachoric"
- "auto"
如果想要更加详细的了解上述的相关分析方法，可以?correlation查看帮助文档，见下图：
以使用spearman相关为例，只要将代码改为 method = "spearman" 即可使用：
好啦，今天的内容就到这里，感兴趣的小伙伴可以参考以下文献深入学习[1][2]。
如果有帮助，记得分享给需要的人
