皮尔逊相关系数衡量的是两个变量之间的线性关系强度，要求数据呈正态分布且关系为直线。而斯皮尔曼相关系数衡量的是单调关系（无论是否线性），它先将数据转换为排名再计算，因此对异常值更稳健，且不要求线性。如果数据呈完美指数增长（单调但非线性），皮尔逊r可能只有0.7-0.8，但斯皮尔曼ρ会接近1.0。

当数据存在以下情况时，斯皮尔曼更合适：①关系是单调但非线性的（如指数、对数曲线）；②存在明显异常值，皮尔逊容易被拉偏；③数据是有序分类变量（如评分等级）；④数据严重偏离正态分布。在工具的"非线性单调"和"含异常值"预设场景中可以直观看到这种差异。

两者取值范围都是-1到+1。+1表示完全正相关（一个增加另一个也增加），-1表示完全负相关，0表示无相关。通常：0.7-1.0为强相关，0.4-0.7为中等相关，0.1-0.4为弱相关，0-0.1为可忽略。但注意这些阈值因领域而异。拖动数据点可以实时观察系数变化。

排名视图将原始数据点替换为其在各自维度上的排名（第1名、第2名...）。斯皮尔曼ρ本质上就是排名空间中数据点的皮尔逊r。在排名视图中，如果点紧密围绕上升直线，说明斯皮尔曼ρ接近+1。切换视图可以直观理解"斯皮尔曼=排名后的皮尔逊"这一核心概念。

皮尔逊相关系数对异常值非常敏感——一个极端偏离的点可能将强相关(r≈0.9)拉低到中等水平(r≈0.5)。而斯皮尔曼使用排名，异常值只影响其排名位置（通常排在最前或最后），对整体系数影响有限。点击"含异常值"预设可以直观对比：移除异常值前后皮尔逊变化很大，斯皮尔曼变化很小。

对于完美的U型（二次函数）关系，皮尔逊r接近0（因为整体没有线性趋势），斯皮尔曼ρ也接近0（因为U型不是单调的——先降后升破坏了单调性）。这说明两个系数都无法捕捉非单调关系。对于U型关系，需要使用二次回归或其他非线性方法。点击"U型二次"预设可以验证这一点。

完全支持移动端。您可以：点击空白区域添加数据点、拖动任意点改变其位置（实时更新系数）、右键点击（移动端长按约600ms）删除点。预设场景按钮可快速切换不同数据模式。排名视图帮助理解斯皮尔曼的本质。所有操作都实时反映在系数数值和回归线上。