相关性可视化：热力图

如前一节所述，计算相关系数为我们提供了数值变量对之间线性关联的精确数值。然而，当处理包含大量数值特征的数据集时，仅仅查看相关值表格可能会让人难以招架。很难快速了解关联的整体结构或找出最强的关联。这就是图形表示变得特别有用的地方。

热力图是一种出色的工具，用于可视化数字矩阵，其中单个值由颜色表示。在双变量分析中，我们经常使用热力图来可视化数值变量的相关矩阵。这能同时提供多变量之间关系的即时、直观概览。

为什么用热力图表示相关性？

假设您有10个数值变量。计算每对变量之间的相关性会产生 $10 \times 10 = 100$ 个相关值（尽管它是对称的，所以包含对角线在内共有 $10 + (9 \times 10 / 2) = 55$ 个唯一值）。手动比较这55个值效率低下。热力图通过以下方式解决了这个问题：

1. 信息浓缩： 它以紧凑的视觉格式呈现整个相关矩阵。
2. 突出模式： 强正相关（接近+1）、强负相关（接近-1）和弱相关（接近0）通过颜色强度很容易区分。
3. 促进比较： 它能够快速视觉比较不同变量对之间的相关强度。
4. 识别潜在问题： 高度相关变量的聚集（潜在多重共线性）变得一目了然。

创建相关矩阵

在能够可视化之前，我们需要相关矩阵本身。Pandas DataFrame为此提供了一个便捷的.corr()方法。假设您有一个包含数值数据的DataFrame df：

# 如有必要，只选择数值列
numerical_df = df.select_dtypes(include=['int64', 'float64'])

# 计算相关矩阵
correlation_matrix = numerical_df.corr()

# 显示矩阵（可选，但有助于验证）
print(correlation_matrix)

这个correlation_matrix是一个DataFrame，其索引和列都是来自numerical_df的数值变量名称，单元格中的值是这些变量之间的皮尔逊相关系数。

用Seaborn生成热力图

Seaborn库，它构建在Matplotlib之上，提供了一个专为此目的设计的简单函数heatmap()。

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np # 样本数据常用

# --- 样本数据生成 ---
# 在实际情况中，您将使用已加载的DataFrame 'df'
np.random.seed(42)
data = np.random.rand(100, 5)
columns = ['Feature_A', 'Feature_B', 'Feature_C', 'Feature_D', 'Feature_E']
df = pd.DataFrame(data, columns=columns)
# 为演示引入一些相关性
df['Feature_B'] = df['Feature_B'] + df['Feature_A'] * 0.6 + np.random.rand(100) * 0.2
df['Feature_D'] = df['Feature_D'] - df['Feature_C'] * 0.7 + np.random.rand(100) * 0.15
df['Feature_E'] = df['Feature_E'] + df['Feature_A'] * 0.4 - df['Feature_C'] * 0.3 + np.random.rand(100)*0.1
# --- 样本数据结束 ---

# 选择数值列（如果尚未完成）
numerical_df = df.select_dtypes(include=['float64', 'int64'])
# 计算相关矩阵
correlation_matrix = numerical_df.corr()


# 设置图表大小以提高可读性
plt.figure(figsize=(8, 6))

# 生成热力图
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt=".2f")

# 添加标题
plt.title('数值特征的相关矩阵')

# 显示图表
plt.show()

我们来分析一下sns.heatmap()中使用的重要参数：

• correlation_matrix：这是主要输入，一个包含相关值的Pandas DataFrame。
• annot=True：这会在热力图单元格上直接显示相关系数值。强烈推荐此项，以便进行精确理解。
• cmap='coolwarm'：这设置了颜色映射。'coolwarm'是相关性分析的好选择，因为它是一种发散型配色：它使用冷色（如蓝色）表示负相关，暖色（如红色）表示正相关，以及中性色（白色/浅灰色）表示接近零的相关性。还有许多其他颜色映射可用（例如，'viridis'、'plasma'、'RdBu_r'）。
• fmt=".2f"：这会格式化注释文本（如果annot=True则显示的数字），使其显示两位小数。

解读热力图

生成的热力图提供了视觉概览：

1. 颜色强度： 每个单元格中颜色的强度和色调表示相关性的强弱和方向。请参照热力图旁边的颜色条图例。在'coolwarm'颜色图中，深红色表示强正相关，深蓝色表示强负相关，接近白色的浅色表示弱相关。
2. 对角线： 从左上到右下的对角线始终显示相关性为1（完全正相关），因为任何变量都与其自身完全相关。这些单元格通常是根据颜色映射的极端值而最亮或最暗的。
3. 对称性： 热力图沿主对角线对称，因为变量A与变量B之间的相关性与变量B与变量A之间的相关性相同（$Corr(A, B) = Corr(B, A)$）。
4. 标注： 如果annot=True，每个单元格中的数值会给出精确的相关系数。
5. 识别模式： 注意对角线以外的亮色/暗色方块。这些表明存在相互高度相关的一组变量。另外，寻找主要为一种颜色的行或列，这表示某个变量与许多其他变量存在强关联（正或负）。

这是一个使用Plotly进行交互式模拟的例子，模拟类似输出：

一个可视化五种特征相关矩阵的热力图。红色表示正相关，蓝色表示负相关，较浅的色调表示较弱的相关。标注显示了具体的关联系数。注意特征C和特征D之间存在强负相关（-0.72），以及特征A和特征B之间存在强正相关（0.65）。

热力图提供了一种有效的方法，可以快速评估数值数据中的相关结构。它们是数据分析的常见组成部分，有助于指导特征选择，识别建模中潜在的多重共线性，并有助于更好地了解变量之间如何关联。