怎么用Python快速生成多变量之间的相关性热力图_结合Pandas的corr与Seaborn的heatmap-Python教程-PHP中文网

直接用pandas.dataframe.corr()计算相关系数后传给seaborn.heatmap()易出错或显示混乱，因默认不显示数值、标签错位、不处理nan及中文/长列名；需设annot=true、fmt='.2f'、xticklabels=true、yticklabels=true和cmap='coolwarm'，并配合plt.xticks(rotation=45)等调整布局。

怎么用python快速生成多变量之间的相关性热力图_结合pandas的corr与seaborn的heatmap

直接用 pandas.DataFrame.corr() 算相关系数，再喂给 seaborn.heatmap() 就能出图——但默认设置下容易糊成一片、标签错位、数值不显示，甚至报 TypeError: 'numpy.float64' object is not iterable。

为什么 `corr()` 后直接传给 `heatmap()` 会出错或难看

常见错误是把 corr() 结果（DataFrame）当成数值矩阵直接塞进去，却忘了 seaborn.heatmap() 默认不显示数字、不自动旋转 x/y 标签、也不处理 NaN —— 尤其当列名含空格或中文时，x 轴标签常重叠挤在一起。

corr() 返回的是带行列索引的 DataFrame，不是纯二维数组，但 heatmap() 能接，无需转 .values（强行转反而丢掉标签）
若数据含非数值列（如字符串 ID、日期），corr() 默认跳过，但不会报错；建议先 select_dtypes(include='number') 显式过滤
缺失值多时，corr(method='pearson') 默认用 pairwise deletion，结果可能不一致；可加 min_periods=10 控制最小有效配对数

画出清晰可读热力图的 4 个关键参数

不用改数据、不写循环，靠这四个参数就能解决 90% 的显示问题：

annot=True：让每个格子显示相关系数值（否则只靠颜色判断很吃力）
fmt='.2f'：控制小数位数，避免显示 0.999999999 这类浮点误差
xticklabels=True, yticklabels=True：显式开启标签（某些 seaborn 版本默认关）
cmap='coolwarm'：比默认 'viridis' 更适合相关性（正负分明，中间白/浅色表示接近 0）

示例代码：

python-code-analyz

专业Python代码分析与优化，支持语法检查、安全扫描、性能评估、复杂度分析及重构后优化代码生成。

下载

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
<h1>假设 df 是你的原始 DataFrame</h1><p>corr_matrix = df.select_dtypes(include='number').corr()
sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='coolwarm',
xticklabels=True, yticklabels=True)
plt.show()</p>

中文列名、长列名导致标签重叠怎么办

热力图里中文列名默认竖排、挤成一条线，根本看不清。这不是数据问题，是绘图后没调整坐标轴属性。

在 plt.show() 前加 plt.xticks(rotation=45, ha='right') 和 plt.yticks(rotation=0)
如果仍换行或截断，用 plt.tight_layout() 重排布局（必须放在 plt.show() 前）
极端情况（比如 50+ 变量），别硬塞全名，改用 corr_matrix.rename(columns=lambda x: x[:8] + '…' if len(x) > 10 else x) 截断列名

想高亮强相关（|r| > 0.7）或屏蔽对角线怎么办

相关系数矩阵主对角线恒为 1，遮掉更清爽；另外，业务上往往只关心强相关组合。

遮对角线：用 np.fill_diagonal(corr_matrix.values, np.nan)（注意是 .values，不是整个 DataFrame）
只标强相关：传入 mask=abs(corr_matrix) 给 <code>heatmap()，被 mask 的区域变空白（需配合 cmap 设置 na_color）
注意 mask 必须是布尔矩阵，形状与 corr_matrix 完全一致；别用 corr_matrix > 0.7，那只会保留正强相关，漏掉负的