有時候我們根據需要要研究數據集中某些屬性和指定屬性的相關性，顯然我們可以使用一般的統計學方法解決這個問題，下面簡單介紹兩種相關性分析方法，不細說具體的方法的過程和原理，只是簡單的做個介紹，由於理解可能不是很深刻，望大家諒解。
1、Pearson相關系數
最常用的相關系數，又稱積差相關系數，取值-1到1，絕對值越大，說明相關性越強。該系數的計算和檢驗為參數方法，適用條件如下： （適合做連續變量的相關性分析）
（1）兩變量呈直線相關關系，如果是曲線相關可能不准確。
（2）極端值會對結果造成較大的影響
（3）兩變量符合雙變量聯合正態分布。
2、Spearman秩相關系數
對原始變量的分布不做要求，適用范圍較Pearson相關系數廣，即使是等級資料，也可適用。但其屬於非參數方法，檢驗效能較Pearson系數低。（適合含有等級
變量或者全部是等級變量的相關性分析）
3、無序分類變量相關性
最常用的為卡方檢驗，用於評價兩個無序分類變量的相關性。根據卡方值衍生出來的指標還有列聯系數、Phi、Cramer的V、Lambda系數、不確定系數等。
OR、RR也是衡量兩變量之間的相關程度的指標。
卡方檢驗用於檢驗兩組數據是否具有統計學差異，從而分析因素之間的相關性。卡方檢驗有pearson卡方檢驗，校正檢驗等，不同的條件下使用不同的卡方檢驗方
法，比如說滿足雙大於（40,5）條件的情況下要使用pearson卡方檢驗方法，另外的情況下要使用校正卡方檢驗方法。
說的不多，只是想在大家使用相關方法的時候清楚他們之間的差別，以及不同方法的適用條件是什么。