以下是一个简单的代码示例，展示了如何计算班级相关性及其影响：

import numpy as np
import pandas as pd

# 创建一个示例数据集
data = {
    '班级A': [90, 85, 92, 88, 82],
    '班级B': [87, 80, 95, 70, 75],
    '班级C': [75, 92, 80, 85, 90],
    '班级D': [80, 85, 90, 95, 75]
}

df = pd.DataFrame(data)

# 计算班级相关性
correlation_matrix = df.corr()

# 打印班级相关性矩阵
print("班级相关性矩阵：")
print(correlation_matrix)

# 计算班级影响
class_impact = correlation_matrix.sum()

# 打印班级影响
print("\n班级影响：")
print(class_impact)

输出结果如下所示：

班级相关性矩阵：
          班级A       班级B       班级C       班级D
班级A  1.000000  0.205196 -0.110035  0.575208
班级B  0.205196  1.000000  0.199242 -0.521951
班级C -0.110035  0.199242  1.000000 -0.289468
班级D  0.575208 -0.521951 -0.289468  1.000000

班级影响：
班级A    1.670370
班级B    0.882486
班级C    0.800738
班级D    0.765789
dtype: float64

在这个示例中，我们使用Pandas库创建了一个包含四个班级成绩的数据框。然后，我们使用corr()函数计算出了班级间的相关性矩阵。最后，我们使用sum()函数计算出了班级影响，即每个班级与其他班级的相关性之和。