相关分析是数据分析的一个基本方法，可以用于发现不同变量之间的关联性，关联是指数据之间变化的相似性，这可以通过相关系数来描述。发现相关性可以帮助你预测未来，而发现因果关系意味着你可以改变世界。
一，协方差和相关系数如果随机变量X和Y是相互独立的，那么协方差
Cov(X,Y) = E{ [X-E(X)] [Y-E(Y)] } = 0，
这意味着当协方差Cov(X,Y) 不等于 0 时，X和Y不相互独立，而是存在一定的关系，此时，称作X和Y相关。在统计学上，使用协方差和相关系数来描述随机变量X和Y的相关性：
协方差：如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。从数值来看，协方差的数值越大，两个变量同向程度也就越大。
相关系数：相关系数消除了两个变量变化幅度的影响，只是单纯反应两个变量每单位变化时的相似程度。
相关系数用于描述定量变量之间的关系，相关系数的符号（+、-）表明关系的方向（正相关、负相关），其值的大小表示关系的强弱程度（完全不相关时为0，完全相关时为1）。
例如，下面两种情况中，很容易看出X和Y都是同向变化的，而这个“同向变化”有个非常显著特征：X、Y同向变化的过程，具有极高的相似度。
1，观察协方差，情况一的协方差是：
情况二的协方差是：
协方差的数值相差一万倍，只能从两个协方差都是正数判断出在这两种情况下X、Y都是同向变化，但是一点也看不出两种情况下X、Y的变化都具有相似性这一特点。
2，观察相关系数，情况一的相关系数是：
情况二的相关系数是：
虽然两种情况的协方差相差1万倍，但是，它们的相关系数是相同的，这说明，X的变化与Y的变化具有很高的相似度。
二，相关的类型R可以计算多种相关系数，包括Pearson相关系数、Spearman（秩）相关系数、Kendall（秩）相关系数、偏相关系数等相关系数，相关系数描述的是变量之间的线性相关程度。
Pearson相关系数衡量了两个连续型变量之间的线性相关程度，要求数据连续变量的取值服从正态分布；
Spearman等级相关系数衡量两个变量之间秩次（排序的位置）的相关程度，通常用于计算离散型数据、分类变量或等级变量之间的相关性；
Kendall等级相关系数用于计算有序的分类变量之间的相关系数，对于有序的分类变量，例如，评委对选手的评级，优、中、差等。
1，R函数
cor()函数可以计算相关系数，而cov()函数用于计算协方差：
cor(x, y = NULL, use = "everything", method = c("pearson", "kendall", "spearman")) cov(x, y = NULL, use = "everything", method = c("pearson", "kendall", "spearman"))