数据可视化 | 一文了解什么是相关性分析热力图

创作时间:

作者:

@小白创作中心

数据可视化 | 一文了解什么是相关性分析热力图

引用

CSDN

https://blog.csdn.net/weixin_55633225/article/details/143155087

相关性热力图是一种强大的数据可视化工具，用于展示多个变量之间的相关性。通过颜色的深浅和变化，它可以直观地表示不同变量之间的相关程度，帮助我们快速识别数据中的模式和趋势。本文将从概念解释、绘制方法到实际案例，全面介绍如何理解和使用相关性热力图。

一、引言

相关性，是统计学中的一个基本概念，用于描述两个或多个变量之间的关系和相互影响。具体来说，相关性衡量的是当一个变量发生变化时，另一个变量如何随之变化。相关性可以帮助我们理解数据中的模式和趋势，从而为进一步的分析和决策提供依据。从类型上来说，相关性分为三种：

正相关（Positive Correlation）：当一个变量增加时，另一个变量也随之增加，这种关系称为正相关。例如，身高和体重通常呈正相关关系。
负相关（Negative Correlation）：当一个变量增加时，另一个变量减少，这种关系称为负相关。例如，汽车的行驶速度和到达目的地所需的时间通常呈负相关关系。
零相关（No Correlation）：当两个变量之间没有明显的线性关系时，这种关系称为零相关。例如，人的鞋码和智商之间通常没有显著的相关性。

相关性热力图，是一种数据可视化工具，用于展示多个变量之间的相关性。它通过颜色的深浅和变化来直观地表示不同变量之间的相关程度，使得复杂的数据关系一目了然。相关性热力图在数据分析、统计学和机器学习中非常有用，能够帮助我们快速识别数据中的模式和趋势，从而为进一步分析提供指导。

本文我们将分享如何绘制相关性热力图以及如何理解相关性热力图。

二、如何理解相关性热力图

下图是一个典型的相关性热力图（使用 Seaborn 库绘制）。

该相关性热力图描述的 California Housing 数据集各个字段的相关性，该数据集来源于1990年美国加利福尼亚州的人口普查数据。数据集中包含了多个街区的住房特征和人口统计信息。具体字段包括：

longitude：房屋位置经度
latitude：房屋位置纬度
housingMedianAge：街区中房屋的中位年龄。
totalRooms：街区中所有房屋的总房间数。
totalBedrooms：街区中所有房屋的总卧室数。
population：街区的人口总数。
households：街区的家庭总数。
medianIncome：街区的中位收入（以万美元为单位）。
medianHouseValue：街区的中位房价（以美元为单位）。

我们从相关性热力图中随便选出一个值，如下图所示：

通过上图可知，选中的值为 0.92，背景颜色为较深的红色，同时该点横轴和纵轴对应的标签分别是 totalRooms 和 households，这表明 California Housing 数据集中的 totalRooms 与 households 两个字段的相关系数为 0.92。

相关系数是一个度量两个变量之间关系强弱和方向的统计量，数值一般在区间 -1 ~ 1 之间，相关系数的绝对值越大，说明两个变量的相关性越高，如果相关系数为正，说明呈现正相关关系，反之则呈现负相关关系，越接近 0，说明相关性越低，为零则说明两变量基本没有相关性。为了让大家一目了然地看到相关性分布，不同大小的相关系数被渲染了不同的颜色，通常暖色（图中为红色）代表正相关，冷色（图中为蓝色）代表负相关。同时由于横轴和纵轴上的标签是完全一样的，所以会存在横轴纵轴两个标签相同时，相关系数为 1，所以图中对角线上的相关系数全部为 1，且对角线两侧内容是沿着对角线对称的。

三、如何绘制热力图

相关性热力图虽然是一种比较高级的数据可视化图形，但制作起来却非常容易，使用 Seaborn 库就可以通过几行简单的代码完成。下面是笔者制作相关性热力图的 Python 代码：

## 第一步：读取下载得到的 California Housing 数据集
import pandas as pd
# 读取 .domain 文件以获取列名
with open('./CaliforniaHousing/cal_housing.domain') as f:
    columns = [line.split(':')[0] for line in f.readlines()]
# 读取 .data 文件并指定列名
data = pd.read_csv('./CaliforniaHousing/cal_housing.data', header=None, names=columns)
# 查看前几行数据
data.head()

## 第二步：绘制相关性热力图
# 导入需要用到的数据可视化第三方库，如未安装则需要先安装
import seaborn as sns
import matplotlib.pyplot as plt
# 计算相关系数矩阵
corr_matrix = data.corr()
# 设置绘图尺寸和清晰度
plt.figure(figsize=(9, 6), dpi=300)
# 使用seaborn绘制热力图
sns.heatmap(corr_matrix, 
            annot=True, 
            cmap='coolwarm', 
            vmin=-1, 
            vmax=1, 
            center=0)
# 添加标题
plt.title('Correlation Heatmap of California Housing Dataset')
# 显示图形
plt.show()

使用以上代码就可以得到上一节中展示的相关性热力图。