热力图空白或全黑的主因是输入数据含非数值列导致相关性矩阵为NaN，需用select_dtypes筛选数值列并检查NaN；中文乱码需设置font.sans-serif；高维时应调整figsize、字体大小并使用上三角掩码。
热力图显示空白或全黑，seaborn.heatmap 不报错但没图像
常见原因是输入数据未正确计算相关性，直接传入原始高维 DataFrame（尤其是含非数值列）会导致 corr() 返回 NaN 矩阵。Seaborn 对 NaN 值默认用黑色填充，看起来像“全黑”；若全部为 NaN，则整个图空白。
- 先确认数据类型：
df.dtypes，剔除非数值列（如字符串 ID、时间戳），或用df.select_dtypes(include=[np.number]) - 显式调用相关性计算：
corr_matrix = df.select_dtypes(include=[np.number]).corr(method='pearson')，不要依赖heatmap(df)自动推导 - 检查 NaN：运行
corr_matrix.isna().sum().sum()，若结果 > 0，说明某些列方差为 0 或全缺失，需提前 dropna 或过滤掉常量列
想按绝对值排序变量顺序，让强相关变量靠得更近
默认热力图行列顺序与原始 DataFrame 列顺序一致，无法反映变量间真实关联结构。需手动重排索引，常用方法是基于相关性矩阵做聚类或排序。
- 用
scipy.cluster.hierarchy聚类重排：from scipy.cluster.hierarchy import linkage, dendrogram, leaves_list，然后corr_link = linkage(corr_matrix, method='average')→reorder_idx = leaves_list(corr_link)→corr_sorted = corr_matrix.iloc[reorder_idx, reorder_idx] - 更轻量的替代：按某一行（如目标变量）的相关系数绝对值降序排列：
target = 'y'; sorted_cols = corr_matrix[target].abs().sort_values(ascending=False).index→corr_matrix = corr_matrix.loc[sorted_cols, sorted_cols] - 注意：重排后坐标轴标签可能错位，务必用
xticklabels=corr_matrix.columns和yticklabels=corr_matrix.columns显式指定
中文标签显示为方块，plt.show() 出现乱码
Matplotlib 默认字体不支持中文，Seaborn 基于 Matplotlib，所以即使设置了 Seaborn 样式，中文列名仍会变成方框。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 临时生效：在绘图前加
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']，并关闭负号显示异常：plt.rcParams['axes.unicode_minus'] = False - Linux/macOS 用户若缺 SimHei，可改用
'WenQuanYi Zen Hei'或检查系统中文字体路径，用matplotlib.font_manager.findfont验证 - 避免全局污染：推荐封装成函数，在内部设置字体，而非修改 rcParams 全局配置
数据维度太高（>50 列），热力图挤成一条线，看不清数值
列数过多时，默认 figsize 和 font size 会让标签重叠、色块过小，甚至触发 Matplotlib 的自动缩放机制导致失真。
- 控制画布尺寸：
plt.figure(figsize=(max(10, len(corr_matrix.columns)//2), max(8, len(corr_matrix.columns)//2))) - 缩小字体：
ax = sns.heatmap(..., xticklabels=True, yticklabels=True); ax.set_xticklabels(ax.get_xticklabels(), rotation=45, fontsize=8); ax.set_yticklabels(ax.get_yticklabels(), rotation=0, fontsize=8) - 更实用的取舍：用
mask = np.triu(np.ones_like(corr_matrix, dtype=bool))只显示上三角，减少一半冗余信息；或设定阈值过滤弱相关：mask = corr_matrix.abs()
热力图本身不解决高维问题，它只是把相关性“摊开”给你看。真正容易被忽略的是：相关性强 ≠ 可用于建模，比如共线性变量同时进入回归模型会破坏稳定性——画完图之后，该删的列、该合并的特征，还得靠业务理解和统计检验来决定。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
