对 CDA（Certified Data Analyst）数据分析师而言，“相关系数” 不是简单的数字计算，而是 “从业务问题出发，量化变量间关联强度与方向，为决策提供数据支撑” 的核心工具。比如业务想知道 “用户消费频次是否影响复购率”“广告投入能否带动销售额增长”，CDA 分析师可通过相关系数快速定位关联关系 —— 但需注意，相关≠因果，其核心价值是 “筛选有价值的变量关联，排除无意义的干扰，聚焦关键业务抓手”。本文聚焦 CDA 分析师如何运用相关系数解决实际问题，覆盖核心认知、类型选择、实操流程与实战案例，助力高效挖掘变量关联的业务价值。

一、核心认知：相关系数的本质与 CDA 分析师的核心价值

（一）相关系数：变量关联的 “量化标尺”

相关系数（Correlation Coefficient）是衡量 “两个数值变量间线性 / 单调关联强度与方向” 的统计量，取值范围为 **[-1, 1]**，核心含义如下：

• 符号：正号（+）表示正相关（一个变量增长，另一个也增长，如 “消费频次越高，复购率越高”）；负号（-）表示负相关（一个增长，另一个下降，如 “商品价格越高，销量越低”）；

• 绝对值：绝对值越接近 1，关联越强（|r|≥0.7 为强相关，0.3≤|r|<0.7 为中等相关，|r|<0.3 为弱相关）；绝对值 = 0 表示无关联；

• 核心误区：相关系数仅衡量 “关联关系”，不代表 “因果关系”（如 “冰淇淋销量与溺水人数正相关”，实际是受 “气温” 第三方因素影响）。

（二）CDA 分析师与普通相关分析的核心差异

普通分析者常止步于 “计算相关系数、判断强弱”，而 CDA 分析师的价值体现在 “业务 - 数据 - 决策” 的闭环，两者差异显著：

（三）CDA 分析师的核心角色：从 “关联发现” 到 “业务落地”

1. 业务翻译者：将 “提升用户粘性” 的模糊需求，转化为 “分析消费频次、登录频率、互动次数与复购率的关联” 的具体任务；

2. 方法决策者：根据变量分布（正态 / 偏态）、关联类型（线性 / 非线性）选择适配的相关系数类型（皮尔逊 / 斯皮尔曼 / 肯德尔）；

3. 结论落地者：通过相关分析筛选核心影响因素（如 “消费频次是复购率的核心关联变量”），并转化为运营策略。

二、CDA 分析师必备：相关系数核心类型与实操

相关系数按 “关联类型” 分为皮尔逊相关（Pearson）、斯皮尔曼等级相关（Spearman）、肯德尔相关（Kendall），CDA 分析师需根据业务场景与数据特性选择适配类型，避免错用导致结论偏差。

（一）皮尔逊相关系数：线性关联的 “首选工具”

1. 适用场景与核心逻辑

• 适用场景：两个数值变量呈线性关联，且均近似正态分布（如 “广告投入与销售额”“用户年龄与消费金额”）；

• 核心逻辑：通过计算 “协方差” 与 “标准差乘积” 的比值，量化线性关联强度，仅对线性关系敏感（若为非线性，即使关联强，皮尔逊系数也可能低）；

• 业务案例：验证 “电商平台广告投入（万元）与月度销售额（万元）的线性关联”。

2. 实操代码与结果解读

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from scipy import stats

plt.rcParams['font.sans-serif'] = ['SimHei']

# 1. 数据加载与预处理（模拟广告投入与销售额数据）

np.random.seed(42)  # 确保结果可复现

ad_input = np.random.normal(loc=50, scale=15, size=100)  # 广告投入：均值50万，100个样本

sales = 2 * ad_input + np.random.normal(loc=10, scale=8, size=100)  # 销售额：与广告投入呈线性关系（系数2）

df = pd.DataFrame({"广告投入（万元）": ad_input, "月度销售额（万元）": sales})

# 预处理：剔除异常值（广告投入>100或<10，销售额>200或<50）

df = df[(df["广告投入（万元）"] >= 10) & (df["广告投入（万元）"] <= 100)]

df = df[(df["月度销售额（万元）"] >= 50) & (df["月度销售额（万元）"] <= 200)]

# 2. 正态性检验（皮尔逊相关前提：变量近似正态）

def normality_test(data, var_name):

   stat, p_val = stats.shapiro(data)  # Shapiro-Wilk检验，p>0.05视为正态

   print(f"{var_name}正态性检验：p值={p_val:.3f}，" + ("符合正态分布" if p_val > 0.05 else "不符合"))

normality_test(df["广告投入（万元）"], "广告投入")

normality_test(df["月度销售额（万元）"], "月度销售额")

# 3. 计算皮尔逊相关系数与显著性

pearson_r, pearson_p = stats.pearsonr(df["广告投入（万元）"], df["月度销售额（万元）"])

# 4. 输出结果

print(f"n=== 皮尔逊相关分析结果 ===")

print(f"相关系数（r）：{pearson_r:.2f}")

print(f"显著性p值：{pearson_p:.4f}")

print(f"关联强度：" + ("强正相关" if pearson_r >= 0.7 else "中等正相关" if pearson_r >= 0.3 else "弱正相关"))

print(f"业务解读：广告投入与销售额呈强正相关（r={pearson_r:.2f}，p<0.001），广告投入每增加1万元，销售额平均增加约2万元。")

# 5. 可视化：散点图+回归线（强化线性关联）

plt.figure(figsize=(10, 6))

sns.regplot(

   data=df,

   x="广告投入（万元）",

   y="月度销售额（万元）",

   color="#1f77b4",

   line_kws={"color": "red", "linewidth": 2},  # 回归线样式

   scatter_kws={"alpha": 0.6, "s": 50}  # 散点透明度与大小

)

plt.title(f"广告投入与月度销售额关联（皮尔逊r={pearson_r:.2f}，p<0.001）")

plt.xlabel("广告投入（万元）")

plt.ylabel("月度销售额（万元）")

plt.grid(alpha=0.3)

# 标注核心结论

plt.text(20, 180, f"r={pearson_r:.2f}，强正相关n广告投入↑→销售额↑", fontsize=11,

        bbox=dict(facecolor='white', alpha=0.8))

plt.show()

结果解读：

• 正态性检验：广告投入与销售额 p 值均 > 0.05，符合皮尔逊相关前提；

• 相关系数 r=0.92（强正相关），p<0.001（关联显著，非随机波动）；

• 业务意义：可加大广告投入，尤其是 ROI 较高的渠道（如短视频、直播）。

（二）斯皮尔曼等级相关系数：非线性 / 偏态数据的 “适配工具”

1. 适用场景与核心逻辑

• 适用场景：两个变量呈非线性关联（如 “用户登录次数与等级”，登录次数增长到一定程度后，等级增长放缓），或数据呈偏态分布（如 “订单金额”，少数大额订单拉高均值）；

• 核心逻辑：将变量值转换为 “等级排名”（如最大值排 1，次大值排 2），通过排名的线性关联量化原变量的单调关联，对非线性、异常值更稳健；

• 业务案例：验证 “电商用户登录次数与用户等级的单调关联”（登录次数越多，等级越高，但非严格线性）。

2. 实操代码与结果解读

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from scipy import stats

plt.rcParams['font.sans-serif'] = ['SimHei']

# 1. 数据加载与预处理（模拟登录次数与用户等级数据）

np.random.seed(42)

login_count = np.random.poisson(lam=20, size=200)  # 登录次数：泊松分布（偏态），均值20次

# 用户等级：与登录次数呈非线性关联（登录次数越多，等级增长越慢）

user_level = np.minimum(np.floor(login_count / 5) + 1, 10)  # 等级1-10，登录5次升1级，上限10级

df = pd.DataFrame({"月登录次数": login_count, "用户等级": user_level})

# 预处理：剔除异常值（登录次数>60）

df = df[df["月登录次数"] <= 60]

# 2. 数据分布检验（偏态分布，不满足皮尔逊前提）

print("=== 数据分布检验 ===")

print(f"月登录次数偏度：{df['月登录次数'].skew():.2f}（>0为右偏分布）")

normality_test(df["月登录次数"], "月登录次数")  # 复用前文正态性检验函数，此处p<0.05，不符合正态

# 3. 计算斯皮尔曼相关系数与显著性

spearman_r, spearman_p = stats.spearmanr(df["月登录次数"], df["用户等级"])

# 4. 输出结果

print(f"n=== 斯皮尔曼等级相关分析结果 ===")

print(f"相关系数（ρ）：{spearman_r:.2f}")

print(f"显著性p值：{spearman_p:.4f}")

print(f"业务解读：月登录次数与用户等级呈强正相关（ρ={spearman_r:.2f}，p<0.001），登录次数越多，等级越高，但等级达10级后无增长，需优化等级规则。")

# 5. 可视化：散点图+ LOWESS平滑曲线（展示非线性关联）

plt.figure(figsize=(10, 6))

sns.scatterplot(data=df, x="月登录次数", y="用户等级", color="#ff7f0e", alpha=0.6, s=50)

# 添加LOWESS平滑曲线（展示趋势）

lowess = stats.lowess(df["用户等级"], df["月登录次数"], frac=0.3)

plt.plot(lowess[:, 0], lowess[:, 1], color="red", linewidth=2, label="趋势线")

plt.title(f"月登录次数与用户等级关联（斯皮尔曼ρ={spearman_r:.2f}，p<0.001）")

plt.xlabel("月登录次数")

plt.ylabel("用户等级")

plt.legend()

plt.grid(alpha=0.3)

# 标注等级上限问题

plt.text(40, 5, f"等级达10级后n登录次数增加无收益", fontsize=10,

        bbox=dict(facecolor='yellow', alpha=0.5))

plt.show()

结果解读：

• 数据分布：登录次数呈右偏分布（偏度 = 0.85），不符合皮尔逊前提，适合用斯皮尔曼；

• 相关系数 ρ=0.89（强正相关），p<0.001（关联显著）；

• 业务优化点：用户等级达 10 级后，登录次数增加无收益，可新增 “星级体系”（如 10 级后分 5 星），提升高登录用户粘性。

（三）肯德尔相关系数：小样本 / 有序分类数据的 “稳健工具”

1. 适用场景与核心逻辑

• 适用场景：样本量较小（n<30），或变量为有序分类数据（如 “用户满意度等级：1-5 分”“商品评分：差 / 中 / 好”）；

• 核心逻辑：通过计算 “一致对”（两个样本的两个变量排名均递增）与 “不一致对” 的差值，量化变量的单调关联，结果更稳健但计算复杂度高；

• 业务案例：验证 “小样本（20 名用户）的满意度评分（1-5 分）与复购意愿评分（1-5 分）的关联”。

2. 实操代码与结果解读

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from scipy import stats

plt.rcParams['font.sans-serif'] = ['SimHei']

# 1. 数据加载（小样本：20名用户的满意度与复购意愿）

np.random.seed(42)

satisfaction = np.random.randint(1, 6, size=20)  # 满意度：1-5分

# 复购意愿：与满意度呈单调关联（满意度高，复购意愿高）

repurchase_will = np.clip(satisfaction + np.random.randint(-1, 2, size=20), 1, 5)

df = pd.DataFrame({"满意度评分（1-5分）": satisfaction, "复购意愿评分（1-5分）": repurchase_will})

# 2. 样本量与变量类型说明

print(f"=== 数据说明 ===")

print(f"样本量：{len(df)}（小样本，适合肯德尔相关）")

print(f"变量类型：有序分类数据（1-5分）")

# 3. 计算肯德尔相关系数与显著性

kendall_tau, kendall_p = stats.kendalltau(df["满意度评分（1-5分）"], df["复购意愿评分（1-5分）"])

# 4. 输出结果

print(f"n=== 肯德尔相关分析结果 ===")

print(f"相关系数（τ）：{kendall_tau:.2f}")

print(f"显著性p值：{kendall_p:.3f}")

print(f"业务解读：满意度评分与复购意愿呈强正相关（τ={kendall_tau:.2f}，p<0.01），提升满意度可有效增强用户复购意愿，建议优化客服响应速度与售后政策。")

# 5. 可视化：热力图（展示有序分类数据的关联）

# 构建交叉表（满意度×复购意愿）

cross_tab = pd.crosstab(df["满意度评分（1-5分）"], df["复购意愿评分（1-5分）"])

plt.figure(figsize=(8, 6))

sns.heatmap(cross_tab, annot=True, cmap="YlOrRd", fmt="d", cbar_kws={"label": "用户数"})

plt.title(f"满意度与复购意愿关联（肯德尔τ={kendall_tau:.2f}，p<0.01）")

plt.xlabel("复购意愿评分（1-5分）")

plt.ylabel("满意度评分（1-5分）")

plt.show()

结果解读：

• 样本量 20（小样本），变量为有序分类数据，适合用肯德尔相关；

• 相关系数 τ=0.68（强正相关），p=0.002（关联显著）；

• 热力图可见：满意度 5 分的用户中，80% 复购意愿≥4 分，验证了关联趋势。

三、CDA 分析师相关系数全流程：从业务到决策的闭环

CDA 分析师运用相关系数的核心是 “业务目标驱动，避免无意义的全变量关联分析”，全流程可拆解为五步：

（一）步骤 1：明确业务问题，锁定核心变量

核心是 “从业务需求中提取需验证的变量对”，避免 “盲目计算所有变量的相关矩阵”：

• 业务需求：“提升电商用户复购率”；

• 拆解需验证的变量对：

1. 消费频次（数值）与复购率（数值）→ 验证 “频次是否影响复购”；

2. 用户等级（有序分类）与复购率（数值）→ 验证 “等级是否与复购相关”；

3. 商品评分（有序分类）与复购率（数值）→ 验证 “商品体验是否影响复购”。

（二）步骤 2：数据预处理，确保分析可靠性

数据质量直接影响相关系数的准确性，需重点处理三类问题：

1. 异常值：用箱线图或 3σ 原则识别极端值（如 “消费频次> 100 次 / 月” 视为异常），剔除或截断；

2. 缺失值：数值变量用中位数填充，有序分类变量用众数填充，避免样本量过度减少；

3. 变量类型适配：有序分类变量（如评分 1-5 分）需确认是否转换为数值（直接用 1-5 的数值，无需独热编码）。

代码示例（数据预处理）：

import pandas as pd

# 加载用户复购数据

df = pd.read_csv("用户复购数据.csv")

# 1. 处理异常值（消费频次>100次，复购率>100%视为异常）

df = df[(df["月消费频次"] <= 100) & (df["复购率"] <= 100)]

# 2. 处理缺失值（消费频次用中位数，用户等级用众数）

df["月消费频次"].fillna(df["月消费频次"].median(), inplace=True)

df["用户等级"].fillna(df["用户等级"].mode()[0], inplace=True)

# 3. 变量类型转换（商品评分：字符串“差/中/好”→ 有序数值1/3/5）

score_map = {"差": 1, "中": 3, "好": 5}

df["商品评分"] = df["商品评分"].map(score_map)

print("数据预处理完成，核心变量：月消费频次、用户等级、商品评分、复购率")

（三）步骤 3：根据变量特性，选择相关系数类型

严格遵循 “变量分布 + 关联类型 + 样本量” 选择方法，避免错用：

（四）步骤 4：计算相关系数，验证显著性

• 核心指标：除相关系数外，需关注p 值（p<0.05 表示关联显著，非随机波动）；

• 多重检验校正：若同时验证多组变量（如 5 组），需用 Bonferroni 校正 p 值（校正后 p<0.01，控制整体错误率）；

• 示例：同时验证 3 组变量，原始 α=0.05，校正后 α=0.05/3≈0.017，p<0.017 才视为显著。

（五）步骤 5：业务解读与落地决策

相关系数的最终价值是 “指导业务动作”，避免纯数据描述：

• 结果：消费频次与复购率皮尔逊 r=0.82（p<0.001），用户等级与复购率斯皮尔曼 ρ=0.65（p<0.001），商品评分与复购率肯德尔 τ=0.58（p<0.001）；

• 业务决策：

1. 优先提升消费频次（关联最强）：推出 “连续消费 3 个月赠 20 元券”；

2. 辅助提升用户等级：等级≥5 级用户享专属客服；

3. 优化商品体验：评分 < 3 分的商品下架整改。

四、实战案例：CDA 分析师用相关系数优化电商用户运营

（一）业务背景

某电商平台用户复购率下降，运营团队提出 “通过提升用户互动频次、优化商品质量、增加优惠力度改善复购”，需 CDA 分析师验证这三个因素与复购率的关联强度，确定优先投入方向。

（二）全流程实操

1. 步骤 1：锁定变量对

• 因变量：复购率（数值，%）；

• 自变量：

1. 月互动频次（数值：用户每月点赞 / 评论 / 分享次数）；

2. 商品好评率（数值：用户对购买商品的好评占比，%）；

3. 月优惠次数（数值：用户每月参与优惠活动的次数）。

2. 步骤 2：数据预处理

import pandas as pd

import numpy as np

# 加载数据

df = pd.read_csv("用户运营数据.csv")

# 处理异常值（复购率>100%，互动频次>50次，好评率<0%或>100%）

df = df[(df["复购率"] <= 100) & (df["月互动频次"] <= 50) & (df["商品好评率"] >= 0) & (df["商品好评率"] <= 100)]

# 处理缺失值（用中位数填充）

for col in ["复购率", "月互动频次", "商品好评率", "月优惠次数"]:

   df[col].fillna(df[col].median(), inplace=True)

3. 步骤 3：选择相关系数类型

• 所有变量均为数值型，检验正态性：

  • 月互动频次偏度 = 0.92（右偏），商品好评率偏度 =-0.35（近似正态），月优惠次数偏度 = 1.2（右偏）；

• 选择斯皮尔曼相关（适配偏态数据，统一方法便于对比）。

4. 步骤 4：计算相关系数与显著性

from scipy import stats

import matplotlib.pyplot as plt

import seaborn as sns

# 计算三组变量对的斯皮尔曼相关

pairs = [

   ("月互动频次", "复购率"),

   ("商品好评率", "复购率"),

   ("月优惠次数", "复购率")

]

results = []

for var1, var2 in pairs:

   r, p = stats.spearmanr(df[var1], df[var2])

   results.append({

       "自变量": var1,

       "因变量": var2,

       "斯皮尔曼ρ": round(r, 2),

       "p值": round(p, 4),

       "关联强度": "强" if abs(r) >= 0.7 else "中等" if abs(r) >= 0.3 else "弱"

   })

# 转换为DataFrame展示

result_df = pd.DataFrame(results)

print("=== 相关系数分析结果 ===")

print(result_df)

# 5. 可视化：条形图对比关联强度

plt.figure(figsize=(10, 6))

sns.barplot(x="自变量", y="斯皮尔曼ρ", data=result_df, palette=["#1f77b4", "#ff7f0e", "#2ca02c"])

plt.title("各因素与复购率的关联强度对比（斯皮尔曼相关）")

plt.ylabel("斯皮尔曼ρ（越大关联越强）")

plt.ylim(0, 1)

# 标注关联强度

for i, row in result_df.iterrows():

   plt.text(i, row["斯皮尔曼ρ"] + 0.02, f"ρ={row['斯皮尔曼ρ']}n{row['关联强度']}关联",

            ha="center", fontweight="bold")

plt.show()

5. 步骤 5：业务落地建议

• 结果：月互动频次与复购率关联最强（ρ=0.81，p<0.001），其次是商品好评率（ρ=0.63，p<0.001），月优惠次数关联较弱（ρ=0.25，p=0.03）；

• 优先策略：

1. 提升互动频次：推出 “每日签到领积分（可兑券）”“分享商品得返利” 活动；

2. 优化商品好评率：对好评率 < 80% 的供应商约谈，改进品控；

3. 调整优惠策略：减少 “无门槛小额券”，聚焦 “高频用户满减券”（如 “消费 3 次满 199 减 50”）。

五、CDA 分析师相关系数常见误区与规避策略

（一）误区 1：混淆 “相关” 与 “因果”，误判业务逻辑

表现：发现 “冰淇淋销量与溺水人数正相关（r=0.7）”，错误结论 “禁止卖冰淇淋可减少溺水”，忽视第三方因素 “气温”；

规避策略：

• 相关系数仅证明 “关联”，需通过 A/B 测试验证因果（如 “提升互动频次后，复购率是否真的上升”）；

• 分析时需考虑 “是否存在第三方变量”（如 “广告投入与销售额相关，是否受‘节假日’影响”）。

（二）误区 2：忽视数据分布，错用相关系数类型

表现：对右偏分布的 “订单金额” 与 “用户等级” 用皮尔逊相关（r=0.4），实际斯皮尔曼相关（ρ=0.7），低估关联强度；

规避策略：

• 分析前必做 “分布检验”（偏度计算、Shapiro-Wilk 检验）；

• 记住 “黄金规则”：正态 + 线性用皮尔逊，非正态 / 非线性用斯皮尔曼，小样本 / 有序分类用肯德尔。

（三）误区 3：仅看相关系数，忽视显著性 p 值

表现：样本量 n=10 时，计算得 “消费频次与复购率 r=0.6”，未看 p 值 = 0.06（>0.05），错误认为 “中等相关”；

规避策略：

• 相关系数需结合 p 值解读，p<0.05 才视为 “显著关联”（非随机波动）；

• 小样本（n<30）的相关系数稳定性差，需用肯德尔相关，且 p 值需更严格（如 p<0.01）。

（四）误区 4：强相关变量直接用于建模，忽视多重共线性

表现：将 “月消费频次（r=0.81）” 与 “周消费频次（r=0.95）” 同时纳入复购预测模型，导致多重共线性，模型失真；

规避策略：

• 建模前需计算 “自变量间的相关系数”，|r|>0.8 的变量对需剔除一个（如保留 “月消费频次”，剔除 “周消费频次”）；

• 用方差膨胀因子（VIF）验证多重共线性，VIF>10 表示存在严重共线性。

六、结语

对 CDA 数据分析师而言，相关系数是 “挖掘变量关联、筛选核心因素” 的基础工具，但其价值不在于 “计算出一个数字”，而在于 “从业务出发，用数字验证猜想，用结论指导动作”。无论是优化用户运营、调整营销策略，还是改进产品体验，相关系数都能帮助 CDA 分析师快速锁定 “高价值关联变量”，避免在无意义的方向上浪费资源。

需始终牢记：相关≠因果，相关系数是 “业务探索的起点”，而非 “决策的终点”。通过相关分析筛选出的核心因素，还需结合 A/B 测试、用户调研等进一步验证因果，才能形成 “数据 - 洞察 - 决策” 的完整闭环 —— 这正是 CDA 分析师区别于普通数据操作者的核心竞争力。

为了帮你更高效地应用相关系数，要不要我帮你整理一份CDA 相关系数实操模板？里面包含不同场景的方法选择表、代码模板、结果解读框架和避坑指南，方便你直接复用在电商、零售、金融等业务场景中。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0