相关系数是表示不同变量之间的统计关系的强弱。其取值范围是在[-1,1]之间，即强负相关（-1）、完全不相关（0）、强正相关（1）。那么我们得到一组数据，想要分析其各变量之间的关系，除了传统算法（公式计算）外，还可以借助R语言中封装好的程序包，不仅可以计算不同种类的相关系数，还可以做相关性的显著性检验等功能全面。
工具/原料
电脑、R语言、cor()函数
方法/步骤
1、R语言计算相关系数，首先需要加载cor()函数包，它可以计算三种不同的螽啸镥释相关系数如Pearson相关系数、Spearman相关系数、Kendall相庙堠杼寺关系数。而pcor()函数包则是计算偏相关系数。函数包的下载具体就不细说了，RStudio主页，tools菜单，点Installpackages，输入函数包名称下载即可，具体请参考本人的另外两篇经验“R语言如何做SVM和RF”，介绍如何安装函数包。另外，cor()函数和cov函数都是内置的无需下载，psych包需要加载。
2、数据：本文的数据是笔者做论文时通过窗口傅里叶变换提取地类特征，有其13特征。部分数据截图，如图所示
3、计算13个特征之间的相关系数，cor()函数可以计算三种相关系数，其调用格式cor(x,use=,method=)，use是指定缺失值的处理方式，系统默认是use="everthing"和method="pearson"。一般也需要计算方差和协差阵，用cov()函数即可，下面计算方差和两种相关系数，代码如图所示
4、当然如果只想知道部分变量之间的相关系数，则可以调用cor（x,y)来计算想要数据的相关系数。如图所示
5、相关性的显著性检验：相关系数计算好之后，判断是否其短铘辔嗟具有显著性。则假设变量之间不相关，即总体相关系数为0.cor.test（x,y,alterna墉掠载牿tive=,method=）得出某两个变量是否显著。默认情况下alternative=“two.side”即总体相关系数不等于0.若总体相关系数小于0，取“less”,大于0取“greater”。如下图，检验两个变量的显著性，概率为p-value=1.217e-11,上亿次都少于一次的机会见到0.065这样大的样本相关度，几乎不可能，拒绝原假设。即两变量的总体相关度不为0.
6、cor.test函数只能每次检验一种相关关系。而psych包corr.tesr()函数可以做总体（13个特征）的相关检验。corr.test(data,use="complete")use取值有两种“pairwise”,"complete"是处理缺失值的，代码如图所示,可以清晰相关系数对应的概率。
