特征工程之距离相关系数（ Distance correlation coefficient ）

距离相关系数：

线性关系可以通过pearson相关系数来描述，单调关系可以通过spearman或者kendall来描述，非线性如何描述，距离相关系数可以非线性相关性。
我们都知道，皮尔森关联系数只能描述数据键的线性相关性程度，对于非线性相关数据，皮尔森关联系数显然不适合的，距离相关系数恰恰能在很大程度上客服皮尔森相关系数的弱点。
比如：Pearson相关系数等于0，这两个变量并不一定就是独立的（有可能是非线性相关）；但如果距离相关系数为0的话，那么就可以说这两个变量是独立的了。

距离相关系数的计算依赖于距离协方差和距离方差，首先我们先了解下距离协方差的定义，假设有n维（X，Y）统计样本。

1. 首先计算包含的所有成对距离（即：数组间每行数据之间的范数距离）
   
   为了防止我没有描述清楚，直接上代码：
   #生成一个3行2列的数组
   X = np.random.randint(-100,100,(3,2))0.1
   out：array([[ 4.8, 7.7],
   [-2.6, 6.8],
   [ 5.9, 9. ]])
   Y = X**2
   #取数据集的行
   col = X.shape[0]
   #做成nn的零矩阵,用于盛放数据
   a = np.zeros((col,col))
   b = np.zeros((col,col))
   A = np.zeros((col,col))
   B = np.zeros((col,col))
   #计算数组间每行数据之间的范数距离
   for j in range(col):
   for k in range(col):
   a[j,k] = np.linalg.norm(X[j]-X[k])
   b[j,k] = np.linalg