Pandas的corr方法还提供两种秩相关系数的计算，包括肯德尔相关系数

(kendall秩相关系数)和斯皮尔曼等级相关系数（spearman秩相关系数）。秩相关系数又称等级相关系数，或顺序相关系数，是将两要素的样本值按数据的大小顺序排列位次，以各要素样本值的位次代替实际数据而求得的一种统计量。

仍然以Pandas相关性分析corr简介（一）中的用户音乐喜好DataFrame数据为例

1）计算Bill和Chan的音乐偏好的Pearson相似系数为：

ud.Bill.corr(ud.Chan , method='kendall')  或者  

计算结果为：-0.86602540378443871。

2）计算所有人的音乐偏好的Pearson相似系数为：

计算结果为：

将变量method中的取值'kendall'替换为'spearman'，即可进行斯皮尔曼等级相关系数的计算。

二、肯德尔相关系数（kendall）

肯德尔相关系数是一个用来测量两个随机变量相关性的统计值,常用希腊字母τ（tau）表示其值。其公式为：

一个肯德尔检验是一个无参数假设检验，它使用计算而得的相关系数去检验两个随机变量的统计依赖性。肯德尔相关系数的取值范围在-1到1之间，当τ为1时，表示两个随机变量拥有一致的等级相关性；当τ为-1时，表示两个随机变量拥有完全相反的等级相关性；当τ为0时，表示两个随机变量是相互独立的。

二、斯皮尔曼等级相关系数（spearman）

Spearman秩相关系数是一种无参数（与分布无关）检验方法，用于度量变量之间联系的强弱。在没有重复数据的情况下，如果一个变量是另外一个变量的严格单调函数，则Spearman秩相关系数就是+1或-1，称变量完全Spearman秩相关。注意这和Pearson完全相关的区别，只有当两变量存在线性关系时，Pearson相关系数才为+1或-1。其公式为：

举个例子，根据下面的原始数据计算智商和看电视时长的相关性：