在对游戏数据完成了数据导入与预处理、绘制散点图，建立回归模型，检测变量之间的线性关系等环节以后，下面我们将对这些数据进行相关性分析和对比分析，并得出结论。
首先，在阿里云平台的操作界面中点击Dataworks在工作空间下的“进入数据开发”, 在DataWorks页面左侧的工具栏中点击“临时查询”，然后选择新建“ODPS SQL”，输入节点名称为“相关性分析”，选择目标文件夹为临时查询，点击提交，提交之后，在脚本文件中输入如下建表语句，点击“运行”按钮：
DROP TABLE IF EXISTS pokemon;
CREATE TABLE IF NOT EXISTS pokemon (
attack BIGINT ,
base_egg_steps DOUBLE ,
base_happiness DOUBLE ,
base_total DOUBLE ,
capture_rate DOUBLE ,
defense DOUBLE ,
experience_growth DOUBLE ,
height_m DOUBLE ,
hp DOUBLE ,
percentage_male DOUBLE ,
pokedex_number DOUBLE ,
sp_attack DOUBLE ,
sp_defense DOUBLE ,
weight_kg DOUBLE ,
generation DOUBLE ); 
然后运行这些SQL语句，如果出现log-END-EOF 说明运行成功。点击页面左侧的“表管理”，刷新后能看到创建好的pokemon表。
下一步，在临时查询“相关性分析”中输入下列代码：
create table pokemon1 (
generation string,
capture_rate string,
base_total double );
然后我们选中这些SQL语句后点击运行按钮，如下图所示：
然后我们分别导入这些表格的数据。导入成功以后，我们点击机器学习页面左侧的实验按钮，然后点击下方的新建实验，在名称一栏输入“对比分析”， 在左侧点击“数据源”， 绘制相关矩阵图，实验流程如下所示：
然后我们右键点击“相关系数矩阵”，选择“查看分析报告”，报告如下所示：
一般来说，取绝对值后，相关系数在（0，0.09）范围内为没有相关性，（0.1，0.3）范围内为弱相关，（0.3，0.5）范围内为中等相关，（0.5，1.0）范围内为强相关。
在这张图中我们关注base_total所在的一行：各个变量与base_total之间的相关系数。如果与产量（base_total）的相关系数超过0.3，即可认为其对于产量的贡献是显著的。本次试验中。大部分变量对于base_total 的相关系数都大于0.3。因此，可以认为所有变量对产量的影响是显著的。
