皮尔逊（Person）相关系数：

数学建模：相关性分析学习——皮尔逊（pearson）相关系数与斯皮尔曼（spearman）相关系数_斯皮尔曼相关系数_美肚鲨ccc的博客-CSDN博客

相关性分析：求解相关系数并绘制热力图进行对比_斯皮尔曼相关系数

https://blog.csdn.net/weixin_67565775/article/details/126533149?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522169310413016800226546653%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=169310413016800226546653&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-126533149-null-null.142^v93^insert_down28v1&utm_term=pearson%E7%9B%B8%E5%85%B3%E6%80%A7%E5%88%86%E6%9E%90&spm=1018.2226.3001.4187

1. 变量之间的关系是线性的：皮尔森相关系数基于线性关系的假设，适用于线性关系较强的变量之间的相关分析。若变量之间的关系非线性，皮尔森相关系数可能无法准确反映它们之间的关系。

2. 变量满足正态分布或近似正态分布：皮尔森相关系数的计算基于变量的正态分布或近似正态分布的假设。如果变量的分布不满足这一要求，可能会导致皮尔森相关系数的结果不准确。

3. 变量是连续的：皮尔森相关系数适用于两个连续变量之间的相关分析，而不适用于分类变量或顺序变量之间的相关性。

4. 变量之间的关系是线性且没有缺失值：皮尔森相关系数假设变量之间的关系是线性的，且需要两个变量都没有缺失值。如果变量之间的关系不是线性的，或者存在缺失值，可能会影响皮尔森相关系数的准确性。

斯皮尔曼秩相关系数

斯皮尔曼相关(Spearman correlation)系数概述及其计算例_斯皮尔曼相关系数_笨牛慢耕的博客-CSDN博客

简要介绍了斯皮尔曼相关系数(Spearman correlation coefficient)的概念、计算公式，以及手动计算例、调用scipy函数、pandas函数计算的代码示例。。。_斯皮尔曼相关系数

https://blog.csdn.net/chenxy_bwave/article/details/121427036?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522169310563716800182116572%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=169310563716800182116572&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-121427036-null-null.142^v93^insert_down28v1&utm_term=%E6%96%AF%E7%9A%AE%E5%B0%94%E6%9B%BC%E7%9B%B8%E5%85%B3%E6%80%A7%E7%B3%BB%E6%95%B0&spm=1018.2226.3001.4187

1. 变量之间的关系是单调的：斯皮尔曼相关系数基于单调关系的假设，适用于变量之间的关系是单调的，无论是正向单调还是负向单调。它不限制关系的形式，可以捕捉到线性和非线性的单调关系。

2. 变量不满足正态分布：斯皮尔曼相关系数不要求变量满足正态分布的假设，因此适用于非正态分布的数据。

3. 变量是连续的或有序的：斯皮尔曼相关系数适用于连续变量或有序变量之间的相关分析。它可以用于衡量两个连续变量之间的关系，也可以用于衡量一个连续变量和一个有序变量之间的关系。

4. 变量之间的关系是单调且没有缺失值：斯皮尔曼相关系数基于单调关系的假设，且需要两个变量都没有缺失值。如果变量之间的关系不是单调的，或者存在缺失值，可能会影响斯皮尔曼相关系数的准确性。

肯德尔相关系数

肯德尔（Kendall）相关系数概述及Python计算例_肯德尔相关系数_笨牛慢耕的博客-CSDN博客

与斯皮尔曼秩相关相似的是，肯德尔相关也是一种秩相关系数，是基于数据对象的秩（rank）来进行两个（随机变量）之间的相关关系（强弱和方向）的评估。（比如说，小明在班级中的历史成绩排名为10，英语成绩排名为4，那么在这个班级的学生的历史成绩和英语成绩的斯皮尔曼相关分析中，小明的成绩的贡献就是(10-4=6) ）来进行相关关系的评估；当数据样本比较小，而且存在并列排位（tied ranks，比如说小明的历史成绩和英语成绩排名都是第8名）时，肯德尔相关系数是比斯皮尔曼相关系数更合适的一个相关性衡量指标。_肯德尔相关系数

https://chenxiaoyuan.blog.csdn.net/article/details/126919019

1. 变量是有序的：肯德尔相关系数适用于有序变量之间的相关分析。它适用于衡量两个有序变量之间的顺序关系的一致性。

2. 变量不满足正态分布：与斯皮尔曼相关系数类似，肯德尔相关系数也不需要变量满足正态分布的假设。

3. 变量之间的关系是单调且没有缺失值：肯德尔相关系数基于顺序关系的一致性假设，且需要两个变量都没有缺失值。如果变量之间的关系不是单调的，或者存在缺失值，可能会影响肯德尔相关系数的准确性。