Spearman秩相关以Charles Spearman命名。它也被称为Spearman相关系数，通常用小写希腊字母rho (p)表示。因此，它也被称为Spearman’s rho。这个统计方法量化了等级变量与单调函数相关联的程度，即递增或递减的关系。作为统计假设检验，该方法假设样本是不相关的。

Spearman秩相关使用秩值而不是实际值来计算Pearson相关。Pearson相关性由两个变量中每个变量的方差或分布的标准化的协方差计算。Spearman的秩相关可以在Python中使用SciPy函数spearmanr（）计算。该函数需要两个实值样本作为参数，并返回介于-1和1之间的相关系数以及用于解释系数意义的p值。我们可以在测试数据集上证明Spearman秩相关。我们知道数据集中的变量之间存在很强的关联，我们希望Spearman能够找到这种关联。

from numpy.random import rand

from numpy.random import seed

from scipy.stats import spearmanr

# seed random number generator

seed(1)

# prepare data

data1 = data['x']

data2 = data['price']

# calculate spearman's correlation

coef, p = spearmanr(data1, data2)

print('Spearmans correlation coefficient: %.3f' % coef)

# interpret the significance

alpha = 0.05

if p > alpha:

print('Samples are uncorrelated (fail to reject H0) p=%.3f' % p)

else:

print('Samples are correlated (reject H0) p=%.3f' % p)

运行该示例计算两个变量之间的Spearman相关系数

Spearmans correlation coefficient: 0.963

Samples are correlated (reject H0) p=0.000

统计检验返回的值为0.9（强正相关）。p值接近于零，这意味着观察到数据给出的样本不相关的可能性极小（例如95％置信度），并且我们可以驳回样本不相关的零假设。