要理解Pearson相关性p值的调整方法，可以使用Python中的scipy库来计算相关性和调整p值。下面是一个示例代码，包括计算相关性和使用BH和BY方法来调整p值。

import numpy as np
from scipy.stats import pearsonr
from statsmodels.stats.multitest import multipletests

# 随机生成两个变量的样本数据
np.random.seed(0)
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)

# 计算Pearson相关性和p值
corr, p_value = pearsonr(x, y)

# 打印原始p值
print("原始p值:", p_value)

# 使用BH方法调整p值
adjusted_p_bh = multipletests(p_value, method='fdr_bh')[1]
print("BH方法调整后的p值:", adjusted_p_bh)

# 使用BY方法调整p值
adjusted_p_by = multipletests(p_value, method='fdr_by')[1]
print("BY方法调整后的p值:", adjusted_p_by)

在这个示例中，我们首先使用np.random.normal函数生成两个正态分布的随机变量x和y。然后使用pearsonr函数计算它们之间的Pearson相关性和p值。

接下来，我们使用multipletests函数来调整p值。该函数的method参数可以设置为'fdr_bh'来使用BH方法，或者'fdr_by'来使用BY方法。我们分别计算了两种方法调整后的p值，并打印出来。

注意，使用multipletests函数的结果是一个包含调整后的p值的数组，我们只提取了第一个元素作为我们感兴趣的p值。

希望这个示例能够帮助您理解如何使用Python代码计算Pearson相关性的p值，并使用BH和BY方法进行调整。