1.相關和因果是一回事嗎
相關性不等于因果。用x1和x2作為兩個變量進行解釋，相關意味著x1和x2是邏輯上的并列相關關系，而因果聯系可以解釋為因為x1所以x2(或因為x2所以x1)的邏輯關系，二者是完全不同的。
用一個運營示例來說明二者的關系：做商品促銷活動時，通常都會以較低的價格進行銷售，以此來實現較高的商品銷量;隨著商品銷售的提升，也給線下物流配送體系帶來了更大的壓力，在該過程中通常會導致商品破損量的增加。
本案例中，商品低價與破損量增加并不是因果關系，即不能說因為商品價格低所以商品破損量增加;二者的真實關系是都是基于促銷這個大背景下，低價和破損量都是基于促銷產生的。
相關性的真實價值不是用來分析“為什么”的，而是通過相關性來描述無法解釋的問題背后真正成因的方法。相關性的真正的價值是能知道“是什么”，即無論通過何種因素對結果產生影響，最終出現的規(guī)律就是二者會一起增加或降低等。
仍然是上面的案例，通過相關性分析我們可以知道，商品價格低和破損量增加是相伴發(fā)生的，這意味著當價格低的時候(通常是做銷售活動，也有可能產品質量問題、物流配送問題、包裝問題等)，我們就想到破損量可能也會增加。但是到底由什么導致的破損量增加，是無法通過相關性來得到的。
2.相關系數低就是不相關嗎
R(相關系數)低就是不相關嗎?其實不是。
R的取值可以為負，R=-0.8代表的相關性要高于R=0.5。負相關只是意味著兩個變量的增長趨勢相反，因此需要看R的絕對值來判斷相關性的強弱。
即使R的絕對值低，也不一定說明變量間的相關性低，原因是相關性衡量的僅僅是變量間的線性相關關系，變量間除了線性關系外，還包括指數關系、多項式關系、冪關系等，這些“非線性相關”的相關性不在R(相關性分析)的衡量范圍之內。
3.代碼實操：Python相關性分析
本示例中，將使用Numpy進行相關性分析。源文件data5.txt位于“附件-chapter3”中。附件下載地址：
http://www.dataivy.cn/book/python_book_v2.zip
示例中實現過程如下：
相關性矩陣的左側和頂部都是相對的變量，從左到右、從上到下依次是列1到列9。從結果看出：
- 第5列和第7列相關性較高，系數達到0.91。
- 第4列和第6列相關性較高，系數達到0.88。
- 第8列和第6列相關性較高，系數達到0.83。
為了更好地展示相關性結果，我們可以配合Matplotlib展示圖像。代碼如下：
上述代碼的功能都已經在注釋中注明。有以下幾點需要注意：
- 由于相關性結果中看的是絕對值的大小，因此需要對correlation_matrix做取絕對值操作，其對應的值域會變?yōu)閇0, 1]。
- 原始數據中由于沒有列標題，因此這里使用列表推導式生成從x0到x8代表原始的9個特征。
展示結果如圖所示。
從圖像中配合顏色可以看出：顏色越亮(彩色顏色為越黃)，則相關性結果越高，因此從左上角到右下角呈現一條黃色斜線;而顏色較亮的第5列和第7列、第4列和第6列及第8列和第6列分別對應x4和x6、x3和x5、x7和x5。
上述過程中，主要需要考慮的關鍵點是：如何理解相關性和因果關系的差異，以及如何應用相關性。相關性分析除了可以用來分析不同變量間的相關伴生關系以外，也可以用來做多重共線性檢驗。
代碼實操小結：本節(jié)示例中，主要用了如下幾個知識點。
- 通過Numpy的loadtxt方法讀取文本數據文件，并指定分隔符;
- 對Numpy矩陣做切塊處理;
- 使用Numpy中的corrcoef做相關性分析;
- 使用round方法保留2位小數;
- 使用np.abs取絕對值;
- 使用列表推導式生成新列表;
- 使用Matplotlib的熱力圖配合相關性結果做圖像展示。
