变量的相关关系
变量的相关关系如下：
相关关系指多个变量间的变化有关联，其按某种规律在一定范围内变化的关系。有相关性、哪怕是很强的相关性也不能代表因果关系，我们只能依据相关的情况推测。
相关关系在生活中最广泛，几乎涵盖了生活中的方方面面，很多人也会把相关关系当作因果关系。
相关关系的分类
1、按方向
正相关：两个变量的变化趋势相同，一个变量随别的变量的增减而增减；负相关：两个变量的变化趋势相反，一个变量随别的变量的增减而减增。
2、按程度
完全相关：一个变量的变化由另一个变量的变化确定，即函数关系；不完全相关：若两个变量的变化互相独立，则这两个变量不相关；不完全相关指两个变量间的关系介于不相关和完全相关之间。
3、按变量的数量
单相关：相关关系只反映一个自变量和一个因变量；复相关：反映两个及两个以上的自变量同一个因变量的相关关系；偏相关：研究因变量与两个或多个自变量相关时，如果把其余的自变量看作常量，只研究因变量与其中一个自变量之间的相关关系。
相关性分析步骤
1、计算相关系数
首先处理好数据集，让数据格式规范。如果用excel的话，就选中要分析相关性的变量，用correl()或pearson()函数，这两个函数只是计算公式不同，结果是一样的；用Excel中的“数据”-“数据分析”-“相关系数”这个步骤也可以。
如果用的是python，就先导入数据集，然后用.corr()函数计算，它可以看到导入数据的任意两个变量间的相关性。
如果两个变量间的变化一致，则相关系数r>0，变化方向相反，则r<0；变量间无线性关系则r=0，但要注意，无线性关系不代表不存在关系，其他情况就可以做拟合、回归的计算。
2、数据可视化：散点图
一般可以通过散点图了解变量间的大概关系。如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点；如果存在某种相关性，那么大部分的数据点就会相对密集并以某种趋势呈现。
一个简单的相关性分析的步骤就像上面那样，如果大家有需求，回头可以做一个实例或者做更多的相关分析。
