如何用Python高效计算多个一维数组的互相关系数矩阵？

有两种常用且简便的实现方式，分别依赖numpy和pandas库，都是Python生态中处理这类问题的标准方案：

方法一：使用numpy的corrcoef函数 #

numpy.corrcoef()函数可以直接计算二维数组中行与行之间的皮尔逊相关系数，刚好匹配你的需求——只需将所有一维数组按行组合成一个二维数组即可。

示例代码：

import numpy as np

# 生成7个一维数组作为示例（每个数组长度为10）
arrays = [np.random.randn(10) for _ in range(7)]
# 将数组组合成二维数组（形状为7×10）
data = np.array(arrays)
# 计算两两互相关系数，得到7×7的对称矩阵
corr_matrix = np.corrcoef(data)

print(corr_matrix)

输出的corr_matrix就是7×7的对称矩阵，对角线元素为1（数组与自身的相关系数），其余位置对应两个数组的互相关系数。

方法二：使用pandas的corr方法 #

如果需要更直观的表格形式结果（带行列标签），可以用pandas的DataFrame.corr()方法，它默认计算皮尔逊相关系数，结果同样是对称矩阵。

示例代码：

import pandas as pd
import numpy as np

# 生成7个一维数组作为示例
arrays = [np.random.randn(10) for _ in range(7)]
# 转换为DataFrame，可自定义列名
df = pd.DataFrame({f"array_{i+1}": arr for i, arr in enumerate(arrays)})
# 计算两两相关系数矩阵
corr_matrix = df.corr()

print(corr_matrix)

这种方法输出的结果会以表格形式展示，每个行列对应一个输入的一维数组，可读性更强。

内容的提问来源于stack exchange，提问作者Jiaming