烹制篇-Day23｜关联探味：corr 相关分析，找变量关系

📖 知识点

1. 什么是相关分析？

相关：衡量两个数值变量之间变化趋势的关系。用相关系数（范围 -1 到 1）表示：

• 接近 1：正相关（一个涨，另一个也涨）

• 接近 -1：负相关（一个涨，另一个跌）

• 接近 0：无明显关系

💡 生活比喻菜价和销量：通常价格越低销量越高，就是负相关（系数接近 - 1）；价格和成本，通常越高越好、同涨同跌，就是正相关。

2. corr () 计算相关系数

对数值列两两算相关系数，返回一个 "相关矩阵"：

# 计算所有数值列之间的相关系数
df.corr()

运行输出：

         价格      销量
价格  1.000000 -0.9xxxxx
销量 -0.9xxxxx  1.000000

对角线是 1（自己和自己完全正相关），对角外的数表示两列的相关程度。

3. 单看两列的相关系数

# 只看"价格"和"销量"的相关系数
df["价格"].corr(df["销量"])

返回一个数，如 -0.95，表示强负相关。

⚠️ 易错提醒

1. corr 只能用于数值列，文本列不参与

2. 相关 ≠ 因果！相关只能说明 "一起变"，不能证明 "谁导致谁"

3. 相关系数越接近 ±1 关系越强，接近 0 表示关系弱

⚔️ Kata 实战任务

任务需求：

1. 导入 pandas，创建一份数据（价格、销量两个数值列，呈负相关）

2. 用 df.corr() 计算相关系数矩阵

3. 用 df["价格"].corr(df["销量"]) 单看两列相关系数

4. 判断是正相关还是负相关

5. 打印结果并解读

参考代码

import pandas as pd

# 价格越高、销量越低的示例数据（负相关）
data = {
    "菜名": ["白菜", "番茄", "土豆", "黄瓜", "茄子", "冬瓜"],
    "价格": [1, 2, 3, 4, 5, 6],
    "销量": [95, 82, 70, 58, 45, 30],
}
df = pd.DataFrame(data)

# 关联探味：计算相关系数
print("===== 相关系数矩阵 =====")
print(df.corr())

print("\n===== 价格与销量的相关系数 =====")
corr_value = df["价格"].corr(df["销量"])
print("相关系数：", round(corr_value, 3))

if corr_value < 0:
    print("📉 负相关：价格越高，销量越低")
elif corr_value > 0:
    print("📈 正相关：价格越高，销量越高")
else:
    print("🔗 无明显相关")

运行输出：

===== 相关系数矩阵 =====
         价格        销量
价格  1.000000  -0.998191
销量 -0.998191   1.000000

===== 价格与销量的相关系数 =====
相关系数： -0.998
📉 负相关：价格越高，销量越低

💡 观察：价格和销量相关系数约 -0.998，非常接近 -1，是强负相关—— 价格越高销量越低，符合 "便宜好卖" 的直觉。corr 把这种关系量化成一个数字，一目了然。

🧠 思考题

1. 相关系数接近 1、-1、0 分别代表什么？"价格和销量 -0.998" 说明了什么？

2. 为什么说 "相关不等于因果"？举一个 "两变量一起变但不是谁导致谁" 的例子。