Em projetos de ciência de dados e análise de negócios, uma pergunta recorrente é: "Essas duas variáveis estão relacionadas?". Avaliar a força da associação entre variáveis é o primeiro passo para decisões baseadas em dados. No entanto, a natureza dos dados pode variar — relações lineares estritas, crescimentos monotônicos irregulares ou classificações ordinais. Para cada cenário, existe uma ferramenta de medida específica.

Os coeficientes de correlação Pearson, Spearman e Kendall não são intercambiáveis. Cada um foi projetado para diferentes suposições de dados. Para iniciantes e profissionais intermediários, a dificuldade não está em encontrar código (há muitos exemplos online), mas sim em escolher o coeficiente correto para cada situação e interpretar o resultado com significado de negócio. Este artigo elimina essa lacuna, mostrando não apenas o "como" (cálculo rápido em Python), mas também o "porquê" (teoria e aplicação). Usaremos um conjunto de dados simulados realistas, passando por pré-processamento, cálculo, visualização e discussão de armadilhas comuns, para que você possa aplicar esses métodos em seus próprios projetos.

1. Os Três Coeficientes: Conceitos Essenciais e Quando Usar Cada Um

Antes de escrever qualquer código, é fundamental entender o que cada coeficiente mede e suas premissas. Escolher o método errado pode levar a conclusões totalmente enganosas.

O coeficiente de Pearson mede a relação linear entre duas variáveis contínuas. Ele assume que os dados seguem uma distribuição aproximadamente normal e que a relação no gráfico de dispersão pode ser aproximada por uma reta. O resultado varia de -1 a 1, indicando força e direção da associação linear.

O coeficiente de Spearman é uma medida não paramétrica baseada em ranks (postos). Ele converte os valores originais em suas posições ordenadas e calcula a correlação de Pearson sobre esses ranks. Dessa forma, detecta qualquer relação monotônica — linear, exponencial, logarítmica — desde que uma variável aumente (ou diminua) consistentemente com a outra. Spearman é robusto a outliers e não exige normalidade.

O coeficiente de Kendall (tau) também é baseado em ranks, mas seu cálculo é diferente: ele compara todos os pares de observações, contando pares concordantes (mesma direção de ordenação) e discordantes (direção oposta). É particularmente útil para amostras pequenas ou quando há muitos empates (ties). Muito usado em análises de concordância entre avaliadores.

A tabela a seguir resume as principais diferenças:

Dica prática: Se você não tem certeza sobre a normalidade dos dados ou o gráfico de dispersão mostra uma curva, prefira Spearman ou Kendall. Uma boa verificação é calcular Pearson e Spearman simultaneamente: se os valores diferirem muito, provavelmente há não linearidade ou outliers, e Spearman deve ser mais confiável.

2. Configuração do Ambiente e Criação de Dados Simulados

Vamos montar um ambiente reprodutível e criar um conjunto de dados que contenha diferentes tipos de relação. Assim poderemos visualizar o comportamento de cada coeficiente.

Recomendo usar o gerenciador de pacotes Conda. Se ainda não tiver, siga:

conda create -n correl python=3.9
conda activate correl
pip install numpy pandas scipy seaborn matplotlib jupyter

Abra um Jupyter Notebook e importe as bibliotecas:

import numpy as np
import pandas as pd
from scipy import stats
import seaborn as sns
import matplotlib.pyplot as plt

sns.set_theme(style="whitegrid")
np.random.seed(123)  # semente para reprodutibilidade

Agora, geraremos quatro pares de variáveis (x, y) com diferentes padrões de relacionamento:

1. Relação linear forte (reta com ruído)
2. Relação monotônica não linear (quadrática)
3. Relação linear com um outlier
4. Sem relação (aleatório)

n = 60
x = np.linspace(0, 12, n)

# 1. Linear
y_linear = 1.5 * x + np.random.normal(0, 1.5, n)

# 2. Monotônica (quadrática)
y_quad = 0.3 * (x - 6)**2 + np.random.normal(0, 4, n)

# 3. Linear com outlier forte
y_out = 1.5 * x + np.random.normal(0, 1.5, n)
y_out[-1] = 60   # outlier

# 4. Aleatória (sem relação)
y_rand = np.random.normal(7, 3, n)

# Montar DataFrame
df = pd.DataFrame({
    'x': np.tile(x, 4),
    'y': np.concatenate([y_linear, y_quad, y_out, y_rand]),
    'tipo': (['Linear'] * n + ['Quadrática'] * n +
             ['Outlier'] * n + ['Aleatória'] * n)
})

3. Cálculo dos Três Coeficientes em Python

Usaremos as funções pearsonr, spearmanr e kendalltau do módulo scipy.stats. Elas retornam o coeficiente e o valor-p. Vamos criar uma função auxiliar para extrair os resultados de cada grupo de dados.

def calcular_correlacoes(grupo):
    """Retorna dicionário com os três coeficientes para um par (x,y)."""
    x_vals = grupo['x'].values
    y_vals = grupo['y'].values
    pearson = stats.pearsonr(x_vals, y_vals)[0]
    spearman = stats.spearmanr(x_vals, y_vals)[0]
    kendall = stats.kendalltau(x_vals, y_vals)[0]
    return {'Pearson': pearson, 'Spearman': spearman, 'Kendall': kendall}

resultados = df.groupby('tipo').apply(calcular_correlacoes).apply(pd.Series)
print(resultados)

O resultado deve ser algo como:

            Pearson  Spearman   Kendall
tipo                                    
Aleatória    0.0872   0.0706    0.0476
Linear       0.9405   0.9397    0.8092
Outlier      0.5632   0.9397    0.8092
Quadrática   0.8045   0.9900    0.9500

Observe que no caso Quadrática, Pearson (0.80) é menor que Spearman (0.99) — a relação não é linear, mas é monotônica, então Spearman captura melhor. No caso Outlier, Pearson cai para 0.56, enquanto Spearman e Kendall permanecem altos (0.94 e 0.81), mostrando robustez. Já o grupo Aleatória apresenta valores próximos de zero para todos.

4. Visualização Rápida com Seaborn

Podemos plotar os gráficos de dispersão com a reta de regressão linear para confirmar visualmente:

g = sns.lmplot(data=df, x='x', y='y', col='tipo', col_wrap=2,
               height=4, aspect=1.2, scatter_kws={'alpha':0.6})
g.fig.suptitle('Relações entre variáveis simuladas', y=1.02)
plt.tight_layout()
plt.show()

Os gráficos confirmam: no caso linear, a reta se ajusta bem; no quadrático, a reta não captura a curvatura, mas Spearman sim; o outlier desvia a reta, mas Spearman mantém-se fiel à tendência geral; o aleatório mostra apenas nuvem de pontos.

5. Como Escolher o Coeficiente Certo na Prática

Com base nos exemplos, algumas diretrizes:

• Se o gráfico de dispersão mostra uma nuvem alongada em linha reta e os dados são contínuos e aproximadamente normais, use Pearson.
• Se a relação é claramente monotônica mas não linear (curva), ou se há outliers, ou se os dados são ordinais, use Spearman.
• Se você tem poucos dados ou muitos empates (por exemplo, notas discretas), Kendall pode ser mais estável e interpretável.
• Uma boa prática: reporte sempre o coeficiente junto com o valor-p, e considere o tamanho da amostra.

Lembre-se: correlação não implica causalidade. Um coeficiente alto apenas indica associação, não relação de causa e efeito.

Agora você tem uma base sólida para calcluar e interpretar os três principais coeficientes de correlação em Python. Aplique esses conceitos aos seus próprios dados e tome decisões mais informadas.