在Python中，我们可以使用NumPy库来计算向量之间的夹角（通常是它们之间的余弦相似度）以及皮尔逊相关系数（Pearson correlation coefficient）。下面是一个Python脚本，展示了如何执行这些计算。
首先，确保你已经安装了NumPy库。如果没有，可以通过pip来安装：
bash
pip install numpy然后，你可以使用以下Python脚本来计算向量夹角和相关系数：
python
import numpy as np
# 定义两个向量
vec1 = np.array([1, 2, 3])
vec2 = np.array([4, 5, 6])
# 计算向量夹角（余弦相似度）
# 使用numpy的dot函数计算点积，linalg.norm计算范数
cos_sim = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
print(f"向量夹角（余弦相似度）: {cos_sim}")
# 计算皮尔逊相关系数
# 使用numpy的corrcoef函数
correlation_matrix = np.corrcoef(vec1, vec2)
pearson_correlation = correlation_matrix[0, 1]
print(f"皮尔逊相关系数: {pearson_correlation}")
# 如果你有两个等长的向量组成的二维数组（比如多对向量），
# 你可以直接传入这些向量组成的二维数组到corrcoef函数
# 例如：
vecs = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
correlation_matrix_multiple = np.corrcoef(vecs)
print(f"多向量皮尔逊相关系数矩阵:\n{correlation_matrix_multiple}")在这个脚本中，我们首先定义了两个向量vec1和vec2。然后，我们使用NumPy的dot函数来计算两个向量的点积，并使用linalg.norm函数来计算每个向量的范数（即长度）。余弦相似度就是点积除以两个范数的乘积。
接下来，我们使用NumPy的corrcoef函数来计算两个向量之间的皮尔逊相关系数。这个函数返回一个相关系数矩阵，但因为我们只传入了两个向量，所以结果矩阵只有一个非对角线元素（即两个向量之间的相关系数）。
最后，我们展示了如何计算多个向量对之间的皮尔逊相关系数矩阵。我们创建了一个二维数组vecs，其中包含了多对向量，并将这个数组传递给corrcoef函数。结果是一个相关系数矩阵，其中每个元素i, j表示vecs中第i个向量和第j个向量之间的相关系数。