在Apache Spark中计算相关性可以使用pyspark.ml.stat.Correlation类，而在Python中使用pandas库的groupby函数可以实现分组。

以下是一个使用Apache Spark计算相关性的示例代码：

from pyspark.sql import SparkSession
from pyspark.ml.feature import VectorAssembler
from pyspark.ml.stat import Correlation

# 创建SparkSession
spark = SparkSession.builder.appName("CorrelationExample").getOrCreate()

# 创建示例数据框
data = [(1, 2, 3), (4, 5, 6), (7, 8, 9)]
df = spark.createDataFrame(data, ["col1", "col2", "col3"])

# 将特征列合并为一个向量列
assembler = VectorAssembler(inputCols=["col1", "col2", "col3"], outputCol="features")
df = assembler.transform(df)

# 计算相关性矩阵
corr_matrix = Correlation.corr(df, "features").head()
print("Correlation matrix:\n", corr_matrix[0])

# 关闭SparkSession
spark.stop()

以上代码使用pyspark.ml.feature.VectorAssembler将特征列合并为一个向量列，然后使用pyspark.ml.stat.Correlation计算相关性矩阵。

以下是一个使用Python的pandas库中的groupby函数进行分组的示例代码：

import pandas as pd

# 创建示例数据框
data = {'Name': ['Tom', 'Nick', 'John', 'Tom', 'Nick', 'John'],
        'Age': [20, 25, 30, 35, 40, 45],
        'Salary': [5000, 6000, 7000, 8000, 9000, 10000]}
df = pd.DataFrame(data)

# 按Name进行分组，并计算平均薪资
grouped = df.groupby('Name')
average_salary = grouped['Salary'].mean()
print("Average salary:\n", average_salary)

以上代码使用pandas.DataFrame.groupby函数按Name列进行分组，并计算每个分组的平均薪资。

希望以上示例能够帮助到您！