用途：在特征矩阵存在缺失值（NaN）时，逐特征正确计算 Spearman/Pearson 相关，避免批量矩阵方法静默给出错误结果。
主要能力：区分成对删除与列表删除，指出 DataFrame.rank()+corrwith()、corrwith(method='spearman')、np.corrcoef 在 NaN 下各自的失败原因；给出退化输入（常量、近常量、有效样本过少）的过滤规则；提供最小有效对数阈值 min_valid（默认 10）与每特征 n_valid 记录；面向超过 1 万特征给出 joblib 并行方案。
使用方式：先打印 NaN 摘要（数据形状、总 NaN、含 NaN 特征数、每特征 NaN 均值/最大值）；再用 filter_degenerate 过滤 nunique<3 或非 NaN 比例低于 50% 的特征；随后循环对每个特征用 scipy.stats.spearmanr 并按特征成对去除 NaN，少于 min_valid 的记为 NaN 并统计跳过数；最后输出含 rho、pvalue、n_valid 的 DataFrame，并核对输入特征数等于输出加跳过加过滤。特征超 1 万时用 joblib 的 Parallel 将逐特征循环并行化。
适用场景：组学与生物信息等高维稀疏缺失数据的相关分析。
限制：无缺失时批量方法才安全；若各特征 NaN 模式一致，列表删除可接受；min_valid 过小会使结果与 p 值不可靠；资料未提供具体安装命令、收费、性能基准与支持平台信息。