目前生活中常見的相關係數有以下四種 1.皮爾森相關係數（Pearson correlation coefficient） 2.斯皮爾曼相關係數（Spearsan correlation coefficient） 3.重複測量相關係數（Repeat measure correlation） 4.xi correlation 以下針對四種的相關係數做更加詳細的介紹 皮爾森相關係數（Pearson correlation coefficient） 皮爾森相關係數主要是探討兩個連續性特徵的線性相關程度，他是兩個變數的共變異數與標準差乘積之比，那共變異數是什麼呢？共變異數主要是表現兩個變數一同變化的程度，就是當A變數離均值越遠時，B變數是否也會跟著變遠，接著讓我們來看看皮爾森相關係數的公式： 式子中的CovXY代表X跟Y的共變異數，SX、SY則代表X跟Y的標準差，那得到的數值r會介於-1~1之間，r如果是正的代表正相關，負的就代表負相關，數值越高代表相關性也越高，不過皮爾森相關係數也有個缺點，就是在判斷中會容易有偏誤，當r很低有時並不代表兩個變數之間沒有相關性，可能是因為兩變數呈現非線性相關，這用皮爾森相關係數就無法察覺，於是需要多方的查證與參考來確認。 斯皮爾曼相關係數（Spearsan correlation coefficient） 斯皮爾曼相關係數主要是探討兩序列特徵（可以依照等級做排序的特徵，如排名、年紀）之間的相關性，他與皮爾森相關係數的差別是不容易受線性相關或離群值影響，接著讓我們來看斯皮爾曼相關係數的公式： 其中di指的是第i個配對等級的差值，也就是第i個第一個變項的等級減去第i個第二個變項的等級，n則為樣本總個數 與皮爾森相關係數相同的是，斯皮爾曼係數得到的數值p也是介於-1~1之間，且正號為正相關，負號為負相關。 重複測量相關係數（Repeat measure correlation） Repeat measure correlation主要是應用在時間序列或是需要長期追蹤資料分析的相關係數，可以去探討兩個特徵在相同樣本下隨著時間變化的線性相關性，藉由不斷的重複測量，來探索兩特徵是否會隨著時間而有相同的變化。如果想在python中做使用，可以透過pingouin套件來操作。 xi correlation xi correlation是一個非常新的相關係數，在2020才被提出，主要是探討兩特徵之間”可以形成一個function"的程度，即使兩個特徵相關性再多麼高，也不一定能透過一個funtion來表示，那xi correlation的優點就是不管兩個特徵相關性是線性、非線性、二次項等等，都可以使用xi correlation來做檢測。如果想在python中使用，可以透過xicor套件來操作xi correlation。