用途：分析 CSV/Excel 数据集中变量之间的相关性，用于数据探索、特征选择或识别列间关系。
主要能力：计算所有变量两两之间的相关矩阵；生成颜色编码的热力图；提供相关性的 P 值显著性检验；支持 Pearson、Spearman、Kendall 三种相关方法；查找强相关变量对；分析与指定目标变量的相关性；支持导出 CSV 与 JSON。
使用方式：可通过 Python API 或命令行调用。Python 示例：from correlation_explorer import CorrelationExplorer；explorer = CorrelationExplorer()；explorer.load_csv("sales_data.csv")；matrix = explorer.correlation_matrix()；strong = explorer.find_strong_correlations(threshold=0.7)；explorer.plot_heatmap("correlation_heatmap.png")。命令行示例：python correlation_explorer.py --input data.csv --output correlations.csv；python correlation_explorer.py --input data.csv --heatmap heatmap.png；python correlation_explorer.py --input data.csv --strong --threshold 0.7；python correlation_explorer.py --input data.csv --target sales；python correlation_explorer.py --input data.csv --method spearman；python correlation_explorer.py --input data.csv --pvalues。
方法选择：pearson 适合线性关系与正态数据；spearman 适合非线性或有序数据；kendall 适合小样本或有序数据且对异常值稳健。
适用场景：特征选择（找出与目标相关或高度共线的特征）、销售分析（识别驱动营收的因素）、通用数据探索（发现显著相关关系）。
依赖：pandas>=2.0.0、numpy>=1.24.0、scipy>=1.10.0、matplotlib>=3.7.0、seaborn>=0.12.0。
限制：资料未提供安装命令、收费方式、平台支持范围及性能上限等信息。