標題叫再說相關性分析，爲什麼叫再說呢？因爲之前說過了唄，但是一個知識點你反覆咀嚼的時候就是會有不同的感悟，因此這篇文章要再來說說相關性分析。
什麼是相關性
百度百科給的解釋是：兩個變量的關聯程度。
或者多個變量，或者變量與變量之間吧的關聯程度，都可以，就是說A和B之間肯定存在着某種關係，確定的關係我們用函數就可以描述出來了，而這種不穩定、不確定、不精確變化的關係我們就稱之爲相關關係。
比如不久前的新聞，說深圳離婚都要排號了，然後我們發現哈，越是大城市，人們的離婚率就越高，這就反映了城市化水平和離婚率之間的一個相關關係。
這是生活中的例子，工作中也很常見啊，如果一個指標和另一個指標是一起變化的，說明它們是相關的，而如果是一個指標先變化從而導致了另一個指標的變化，說明它們是有因果性的，什麼是因果性，請接着往下看。
相關和因果的區別
兩個變量之間存在相關關係，並不意味着一個變量會影響另一個變量，也不意味着二者存在實際關係。
再深入理解一下，相關性是數學關係，而因果性是邏輯關係。
還是城市化水平和離婚率的例子，只能說明城市化的水平越高的同時，離婚率也增加了（相關），但不能說是因爲城市化水平高，所以導致人們離婚（因果），因爲這中間還有很多因素，城市化水平只是其中的一個。
在知乎上看到一個例子也可以來說一下，火災現場，救護車的數量與死亡人數呈正相關，這可能確是實情，但我們不能說是因爲派去的救護車多了導致死亡人數的增加，更不能因此作出通過減少救護車的數量來降低死亡人數的結論。
《精益數據分析》這本書裏有提到：發現相關性可以幫助你預測未來，而發現因果性意外着你可以改變未來。相關性已經很好了，但因果性更佳，但很多時候，我們只能發現相關性，但應永不停止尋找因果性。
另外說一點，蝴蝶效應，是相關性還是因果性呢？大家可以評論區補充。
爲什麼要做相關性分析
爲什麼要進行相關性分析，如果你認真閱讀的話，相信你已經知道答案了，前兩段剛說完：相關性可以預測未來。
在判斷兩個變量是否相關的時候，會畫出散點圖，其中與數據點擬合程度最高的線稱爲最佳擬合線，通過這條線可以用來預測數值。
如何進行相關性分析
相關關係有很多種分類，根據變量間相互關係的形式可以分爲線性相關和非線性相關，通常比較常用的是線性相關，這裏我們也只討論線性相關。
相關係數
比較常用的線性相關分析，用來衡量它的指標是線性相關係數，又叫皮爾遜相關係數，通常用r表示，取值範圍是[-1,1]，這裏要注意的是在什麼取整範圍內時強相關，什麼又是弱相關，但這也只是數學意義，在實際工作中也需要結合業務去判斷。
散點圖
散點圖是將兩個變量可視化觀察其關係的最好呈現方式。通過散點圖我們可以清晰地看出來到底是正相關還是負相關。
函數方法
在Excel中，可以用CORREL函數來計算相關係數，同時還可以用數據——數據分析——相關係數，這個功能來進行相關分析。在之前寫的文章裏有詳細的運用說明：
猜你喜歡:
什麼是好的數據指標：精益數據分析
@ 作者：可樂
@ 公衆號/知乎專欄/頭條/簡書：可樂的數據分析之路
@加個人微信：data_cola，備註：進羣，拉你入 可樂的數據分析羣 和各行各業的小夥伴交流探討數據分析相關內容
微信公衆號
個人微信號