谢邀，知乎传统，先说是什么，再说怎么做。正文开始前先给大家放上一份我整理的数据分析实战指南，有需要的伙伴可自行下载（登录后即可下载，免费分享）
相关分析是一种用于识别两个或多个变量之间关系的强度，使用其中几个相关分析公式，最终结果是 -1 ~ +1 之间的数字输出。
用最简单的话粗暴解释下：
假设你对两个变量（变量 A 和变量 B）之间的关系感兴趣。
介绍4中最常用且经典的相关性分析方法——
与皮尔逊色的相关性相似，用于查看两个数据集之间是否存在显著关系，并在所使用的数据是序数的假设下进行操作（例如第一、第二、第三等）
正相关：从 +0.5 到 +1 的任何分数都表示非常强的正相关性
负相关：从 -0.5 到 -1 的任何分数都表示强负相关
没有相关性：0 分表示两个变量之间不存在相关性或关系。样本量越大，结果越准确。
虽然可以通过相关性分析来识别变量之间的关系，但相关性并不意味着因果关系。分析无法确定原因，也不应尝试得出此结论，需要进一步探索的无关或潜在因素，以寻找原因。
初此之外还有：
Kendall’s Tau是另一种非参数相关性，用于检测两个指标之间的依赖性强度。 Kendall’s Tau通常用于按序数尺即（可以对值进行排序）测量的指标。
当有一个二分变量和一个连续变量并且想要测试相关性时，可以使用此方法。这是皮尔逊相关性的一个特例。
当变量为二分变量或二元变量（具有两个类别）时使用此方法。它是两个二元变量关联的连接。
这最少两个多维变量之间的相关性。每个变量都是数据集的组合，该方法找到最大化它们之间相关性的线性组合。
当研究人员想要了解两个变量之间的关系，同时控制一个或多个附加变量的影响时，可以使用这些变量。
主要针对时间序列数据，以简短两个序列的相似性，作为一个序列相对于另一个序列的串联的函数。
这是信号与自身延迟副本作为延迟函数的相关性。这通常用于时间序列分析，以帮助了解数据随时间的趋势。
后续再补上。
