一、前言

在数据分析中，我们经常需要快速了解特征之间的关系：

• 哪些变量正相关？

• 哪些变量负相关？

• 哪些变量几乎不相关？

热力图（Heatmap）是可视化相关性的利器，能让数据特征之间的联系一目了然。

---

二、热力图简介

热力图是一种二维数据可视化方法，
通过颜色深浅表示数值大小或关系强弱。

在数据分析中，热力图常用于：

1. 📊 相关性矩阵可视化

2. 🔍 缺失值分布分析

3. 💡 特征工程与特征选择参考

---

三、准备数据

我们以鸢尾花数据集为例：

import seaborn as sns import pandas as pd df = sns.load_dataset('iris') df.head()

数据包含四个数值特征：sepal_length, sepal_width, petal_length, petal_width。

---

四、计算相关性矩阵

corr = df.corr() print(corr)

输出示例：

	sepal_length	sepal_width	petal_length	petal_width
sepal_length	1.00	-0.12	0.87	0.82
sepal_width	-0.12	1.00	-0.42	-0.36
petal_length	0.87	-0.42	1.00	0.96
petal_width	0.82	-0.36	0.96	1.00

---

五、绘制热力图

import matplotlib.pyplot as plt plt.figure(figsize=(8,6)) sns.heatmap(corr, annot=True, cmap='coolwarm', fmt=".2f") plt.title('特征相关性热力图') plt.show()

• 颜色深浅表示相关性强弱

• annot=True 显示具体数值

• 正相关为暖色，负相关为冷色

---

六、分析热力图结果

从图中可以观察到：

• petal_length 与 petal_width 高度正相关（0.96）

• sepal_width 与其他特征相关性较低

• 可用于后续特征选择或降维分析

---

七、热力图在实际场景中的应用

1. 💹 金融领域：分析股票指标或风险因素的相关性

2. 🛍️ 电商数据：分析用户行为特征之间的关系

3. 🧪 科研实验：变量间相关性可视化

4. 🧠 机器学习特征工程：挑选高相关或低相关特征

热力图让数据探索直观且高效，是EDA中必备工具。

---

八、进阶应用

• 🔹 缺失值可视化

sns.heatmap(df.isnull(), cbar=False, cmap='viridis') plt.title('缺失值分布热力图') plt.show()

• 🔹 聚类相关性热力图：可以先对变量或样本进行聚类，再绘制热力图，观察特征组合模式。