企业官网建设流程全解析

相关系数这个系列写到第4篇了。前面几篇把皮尔逊相关系数翻来覆去讲了不少，包括怎么算、怎么检验、怎么在论文里解释。今天把另一半补上——斯皮尔曼相关系数（Spearman's rank correlation coefficient），也就是很多人常说的“等级相关系数”。

先说清楚这东西能干嘛。你在数学建模比赛里拿到一批数据，想判断两个变量之间有没有关系，但画完散点图发现根本不是直线趋势，或者数据里有几个明显的离群点，这时候皮尔逊相关系数就会给你一个“不太可信”的数字。斯皮尔曼相关系数解决的正是这类问题：它不关心数据的具体取值，只关心排序，所以对非线性关系更包容，对异常值更稳健。这篇文章我会从原理讲到Python实现，再结合数学建模竞赛的实际场景聊聊怎么选、怎么写进论文，最后把我踩过的坑一并列出来。适合正在备战国赛、华为杯的参赛选手，也适合做数据分析时需要对变量关联性做判断的读者。

1. 为什么需要斯皮尔曼相关系数

1.1 皮尔逊的硬门槛：数据得“长”成什么样

想用好一个工具，得先知道它的前提条件。皮尔逊相关系数（Pearson correlation coefficient）衡量的是两个变量之间的线性相关程度，它默认数据满足几个条件：近似线性关系、双变量近似正态分布、没有明显异常值。

问题在于，数学建模拿到的数据往往没这么“听话”。经济数据、人口数据、评分数据，常常是偏态的；变量之间的关系也可能是指数型、对数型、幂函数型，画出来是条弯弯曲曲的曲线；再加上数据采集过程中偶尔混入的脏数据，一个异常值就可能把皮尔逊系数从0.8拉到0.3。用皮尔逊之前你得花大量时间做正态性检验、线性诊断、异常值处理，一套流程下来，光是数据预处理就够喝一壶的。

我见过不少参赛选手强行对不满足条件的数据计算皮尔逊系数，还煞有介事地标注显著性。说实话，评委里懂统计的老师不少，这种做法容易被一眼看穿。更合理的做法是：数据不满足皮尔逊的适用条件时，直接换用斯皮尔曼相关系数。

1.2 斯皮尔曼的核心思想：不看数值看排名

斯皮尔曼相关系数的思路很有意思：既然数值本身的分布有各种问题，那我干脆不看数值，只看排名。它的另一个名字“等级相关系数”也由此而来。

比如有5个学生的数学成绩和物理成绩，哪怕数学满分是100分、物理满分是150分，量纲完全不同，都没关系。只要我把两门成绩分别从高到低排序，然后看每个学生在两门学科中的排名是否一致——排名同步上升，就说明两门成绩存在正向关联。

这个“基于排名”的设计，让斯皮尔曼相关系数天然具备了两个优点。第一，对异常值稳健得很，你数据里混进一个离群点，最多让它自己的排名变一下，对整个排序格局影响很小。第二，不需要假设数据符合正态分布，因为秩（排名）本身就是均匀分布的，和原始数据的分布形态没有关系。

用生活化的类比来说，皮尔逊关心的是“身高和体重是不是同比例增长”，而斯皮尔曼关心的是“个子最高的人是不是体重也最重”。前者看的是具体数值的线性关系，后者看的是等级次序的一致性。很多时候，我们做相关性分析的目的是想回答“变量之间是否存在关联趋势”，而不仅仅是“是否存在精确的线性关系”，这时候斯皮尔曼反而更贴近分析的本意。

2. 斯皮尔曼相关系数的数学原理与计算

2.1 秩与等级：先把数据翻译成排名

斯皮尔曼的英文原名是Spearman's rank correlation coefficient，这里的rank就是“秩”的意思。所谓秩，就是把一组数据从小到大（或从大到小）排序后，每个数据所在的位置编号。比如数据组 [60, 85, 72, 95, 45]，从小到大排序后是 [45, 60, 72, 85, 95]，那么原始数据对应的秩分别是 [2, 4, 3, 5, 1]。

有并列值时怎么办？比如两个学生的成绩都是85分，排第2还是第3？统计学里的常用做法是取平均秩，也就是原本第2和第3两个位置，两个85分都取2.5。Python的pandas里的rank方法默认就是这么做，method='average'，这也是竞赛中最推荐的方式。有些编程实现会用method='min'或者'max'，排序逻辑会不同，计算出来的相关系数也可能有细微差别，所以复现别人的代码时一定要留个心眼。

2.2 两种计算公式到底怎么选

斯皮尔曼相关系数的计算有两种方式。

第一种是简化公式，经典教材里的写法是：

rs = 1 - (6 * Σdᵢ²) / (n * (n² - 1))

其中dᵢ是第i个样本在两个变量中的秩之差，n是样本量。

这个公式看起来简洁好记，但我必须提醒一句：它只适用于没有并列等级的情况，而且对样本量也有一定要求。只要数据里出现并列值，这个公式得到的结果就和严格定义有偏差。我自己刚学那会儿就踩过这个坑，拿着简化公式手算了一组含并列值的数据，结果和统计软件输出的不一致，查了半天才明白原因。

第二种是通用定义，也是最稳妥的实现思路：把两个变量分别转化为秩，然后对秩计算皮尔逊相关系数。因为秩本身就是数值，所以完全可以直接套用皮尔逊公式：

rs = cov(Rx, Ry) / (std(Rx) * std(Ry))

这里的Rx和Ry是原始变量各自的秩序列。这种方法天然兼容并列等级的情况，因为并列值已经通过平均秩处理好了。实际操作中，我建议一律采用第二种思路，跑出来的结果和scipy等统计库完全一致，也不容易出错。

2.3 手算一遍：5个学生的例子

光讲公式太抽象，我们实际算一遍。假设5个学生的数学和物理成绩如下：

数学成绩从高到低排名：A第1，B第2，C第3，D第4，E第5。物理成绩排名：A第1，C第2，B第3，D第4，E第5。计算每个学生的秩之差d，得到d²的平方和为2。

代入简化公式：

rs = 1 - (6 * 2) / (5 * (25 - 1)) = 1 - 12 / 120 = 0.9

rs = 0.9，说明数学和物理成绩存在很强的正相关关系。观察数据也能发现，除了B和C两个同学的物理排名互换了一下，其余同学的排名顺序基本一致，整体趋势是成绩好的学生两门都强，这就是高度正向关联的直观体现。

这个案例里没有并列值，简化公式的结果没问题。但如果你要对含并列值的数据手算，建议先做平均秩处理，再按秩序列计算皮尔逊系数，这样最接近统计软件的输出。

3. Python实操与代码实现

3.1 最省事的方案：scipy.stats.spearmanr

写数学建模代码，我习惯直接上scipy，一行代码出结果。spearmanr函数的用法很简单：

import numpy as np from scipy import stats math_scores = np.array([95, 80, 72, 60, 45]) phys_scores = np.array([88, 75, 78, 55, 50]) rho, p_value = stats.spearmanr(math_scores, phys_scores) print(f"斯皮尔曼相关系数: {rho:.4f}") print(f"p值: {p_value:.4f}")

运行结果中rho就是斯皮尔曼相关系数，p值对应显著性检验的结果。p值小于0.05通常认为存在显著相关，小于0.01则说明相关性极显著。

实际处理DataFrame数据时，可以用类似下面的方式一次性计算多列之间的相关系数矩阵：

import pandas as pd df = pd.DataFrame({ 'math': math_scores, 'phys': phys_scores, 'chem': [92, 85, 80, 65, 48], 'bio': [82, 78, 70, 58, 52] }) # 计算相关系数矩阵 corr_matrix = df.corr(method='spearman') print(corr_matrix)

pandas的corr方法里直接指定method='spearman'就行，返回的矩阵在论文里稍微格式化一下就能用，非常方便。

3.2 手写一个斯皮尔曼计算器（pandas实现）

虽然说现成的库好用，但我一直建议你在比赛前手写一遍核心代码，不是为了造轮子，而是为了真正理解底层逻辑。万一遇到特殊情况需要调整算法，你才知道从哪里下手。

手写实现的核心就是“先排名，再算皮尔逊”：

import pandas as pd import numpy as np def spearman_manual(x, y): # 转为pandas Series方便调用rank rx = pd.Series(x).rank(method='average').values ry = pd.Series(y).rank(method='average').values # 对秩序列计算皮尔逊相关系数 # 等价于 cov(rx, ry) / (std(rx) * std(ry)) rho = np.corrcoef(rx, ry)[0, 1] return rho math_scores = [95, 80, 72, 60, 45] phys_scores = [88, 75, 78, 55, 50] rho_manual = spearman_manual(math_scores, phys_scores) print(f"手写斯皮尔曼相关系数: {rho_manual:.4f}")

输出结果应该和scipy一致，都是0.9。这里的关键点是rank方法默认采用average策略，正好对应平均秩的处理方式。如果你用的是method='min'，遇到并列值时结果会完全不同，这也是我之前踩坑的地方。

3.3 可视化辅助判断单调关系

动手算之前，我强烈建议先画个散点图。这不是形式主义，而是帮你快速判断两个变量之间的关系形态。如果散点图呈现明显的单调上升或下降趋势，但中间有弯曲，斯皮尔曼会给出比较高的相关系数；如果图形是U型或者倒U型，那就不是单调关系，斯皮尔曼也会“失灵”，需要尝试其他分析方法。

import matplotlib.pyplot as plt plt.figure(figsize=(6, 5)) plt.scatter(math_scores, phys_scores, s=60, alpha=0.7) plt.xlabel('数学成绩') plt.ylabel('物理成绩') plt.title('数学与物理成绩散点图') plt.grid(alpha=0.3) plt.show()

散点图可视化还有个好处：能直观发现异常值。如果某个点明显偏离整体趋势，别急着删，先排查一下是不是录入错误。如果是真实数据中的极端情况，斯皮尔曼的抗干扰能力足以应对，这也正是它在竞赛数据预处理环节广受欢迎的原因。还有一点，处理多变量数据时可以绘制相关矩阵热力图，用seaborn的heatmap函数把斯皮尔曼矩阵可视化，颜色深浅一眼就能看出哪些变量关联密切，这对后续特征筛选很有帮助。

4. 在数学建模竞赛中的实战应用

4.1 赛题中“选谁”的决策流程

国赛、华为杯或者美赛的题目，经常要我们分析变量之间的关联性。拿到一组数据，到底用皮尔逊还是斯皮尔曼？我自己的判断流程是这样的：

更保险的做法是两个都算一遍。如果结论一致，说明关系稳健，在论文里可以只报告一个；如果结论不一致，比如皮尔逊系数接近0而斯皮尔曼系数很高，说明变量之间存在的是非线性单调关系，这时以斯皮尔曼为准，在论文里恰好可以作为一个分析亮点展开讨论。

4.2 典型赛题场景与数据特点

数学建模赛题里，斯皮尔曼常见的应用场景可以归纳为三类。

第一类是经济与社会科学数据，比如分析“教育投入与地区经济增长”“人口老龄化与消费结构”这类问题。经济数据普遍存在偏态分布和异常值，而且变量之间的理论关系往往不是精确线性，用斯皮尔曼做相关性初筛非常合适。

第二类是多指标综合评价，比如一些评价模型在构建指标体系之前，需要先检验指标之间的相关性，避免信息重复。问卷量表、专家打分这类数据本质上是有序分类变量，打3分和打4分之间的“距离”并不严格相等，直接计算皮尔逊在统计上不够严谨，斯皮尔曼才是贴合的。

第三类是数据预处理阶段的多重共线性诊断。比如回归建模之前，用斯皮尔曼计算相关系数矩阵，如果发现两个特征之间rs超过0.8，就要考虑保留其中一个或做降维处理。我之前参加强化学习类题目时，就是靠斯皮尔曼筛掉了一批强相关特征，后续模型收敛速度和稳定性都好了不少。

4.3 论文里的标准写法与表述

比赛论文跟实验报告还不一样，评委每天要看几百页论文，你的表述必须规范、清晰、有说服力。我建议按这个套路写。

第一步，说明为什么选斯皮尔曼。可以写“考虑到数据可能存在异常值且变量间关系未必严格线性，本文采用斯皮尔曼相关系数进行相关性分析”。

第二步，给出计算公式或指明使用Python的scipy实现，介绍计算方式。

第三步，用表格呈现结果。常见的做法是做一个相关系数矩阵，并标注显著性水平。可以在相关系数后用星号标注：*表示p<0.05，**表示p<0.01，这也是学术论文的通用惯例。

第四步，对关键结果做文字解读。比如“由表可知，X1与X2的斯皮尔曼相关系数为0.73，且通过显著性检验（p<0.01），表明两者之间存在显著的正向关联”。注意，不要把“相关”写成“因果”，这是统计表述里的大忌。

另外，论文中如果同时使用了皮尔逊和斯皮尔曼，最好明确说明两者结论是否一致，若不一致则解释可能的原因（例如数据中存在非线性单调关系或异常值影响），这能体现你思考的深度，也更容易获得评委的认可。

5. 常见问题与避坑指南

5.1 p值理解与样本量陷阱

斯皮尔曼相关系数本身是好算的，真正容易翻车的地方在显著性检验。很多人跑出rs=0.6就急着下结论，忽略了p值。注意，rs=0.6只能说明样本里存在中等强度相关性，但样本太小的时候，这个结果很可能只是随机波动，p值会告诉你结论的可靠程度。

scipy的spearmanr会直接返回p值，计算原理是基于t分布近似。样本量比较大的时候（比如n大于30），这个近似效果很好；样本量很小（比如n小于10）时，p值可能不准确，可以考虑查斯皮尔曼秩相关系数临界值表来辅助判断。竞赛中如果遇到小样本，建议在论文里注明p值是通过近似方法计算的，这样做更严谨。

5.2 三种相关系数结果不一致怎么办

皮尔逊、斯皮尔曼、Kendall's tau-b这三种相关系数，在绝大多数情况下给出的结论方向一致，但数值可能差异明显。如果出现皮尔逊系数接近0、斯皮尔曼系数却很高的情况，通常说明两个变量之间是一种单调但非线性的关系，比如指数增长、对数衰减等形式。斯皮尔曼能捕捉这种趋势，皮尔逊则“看不见”。

我处理这类问题的习惯是：画出散点图确认趋势形态，然后用斯皮尔曼量化关联强度，最后在论文中把曲线拟合也做出来。这样做既能解释相关性的存在，又能进一步刻画关系的形式，逻辑链完整，比单纯给一个相关系数强得多。

5.3 实操中的几个隐蔽坑

第一个坑是数据顺序错位。使用scipy的spearmanr时，传入的两个数组对应顺序必须一致。尤其是从Excel或CSV里读数据后做了排序、去重等操作，一不留神就把对应关系打乱了，相关系数算出来完全没意义。建议用pandas的DataFrame管理数据，筛选操作后重置索引。

第二个坑是没有处理缺失值。spearmanr遇到缺失值返回的结果是nan，pandas的corr默认会忽略缺失对，但如果你把Series直接喂给scipy，就得提前dropna。我的习惯是统一用df.dropna(subset=[col1, col2])清洗后再计算。

第三个坑是rank方法的选择。前面提过，不同rank方法处理并列值的方式不同。用scipy计算时默认是平均秩，手写实现时如果用method='min'，两者结果不一致，容易怀疑是代码写错了，其实是对齐方式的问题。多变量大规模数据用热力图展示相关矩阵时，也要注意标注好用的是哪种相关系数，别让读者产生误解。

第四个坑是忽略多重比较问题。一次性计算10个变量两两之间的相关系数，就会得到45个p值，其中可能有2到3个假阳性。如果要做严格的显著性判断，可以考虑用Bonferroni校正，也就是把显著性水平除以比较次数，虽然保守，但至少不会闹出拿随机噪声当显著相关的笑话。

最后一个坑是过度解读。斯皮尔曼相关系数衡量的只是单调关联强度，并不等于因果关系的存在。气温升高和冰淇淋销量上升的相关系数可能很高，但真正的原因可能是“夏天来了”。在建模论文中，对相关性结果的解读要克制，结合业务背景分析可能的影响机制，而不是急着写“强相关意味着强因果”，这是评委眼里非常减分的一种表述。

我把这些年来碰到的实际问题整理下来，最想强调的还是那句老话：先看数据再选方法。斯皮尔曼不是万能的，但它能帮你在数据没那么“规整”的时候，依然给出一个值得信任的关联性判断。做数学建模这几年，我越来越觉得，一个聪明的选手不是会背多少公式，而是知道在什么条件下选什么工具，并且能把这个选择的前因后果讲清楚。希望这篇文章能帮你少走点弯路，比赛时多拿几个分。