# Haz un mapa de calor de correlaciones listo para publicar

> Sube una tabla de variables. Yila elige la correlación adecuada, corrige por el número de pruebas, ordena las variables para que se vean los patrones y guarda la figura con la matriz completa y el script.

URL: https://yila.ai/es/playbooks/correlation-heatmap

## Lo que obtienes

- **Mapa de calor** (PNG + SVG): Escala de color divergente centrada en cero, coeficientes escritos en cada celda, pares significativos marcados y variables ordenadas por agrupamiento.
- **Matriz de correlaciones** (CSV): Todos los coeficientes en una tabla que puedes citar o reutilizar en otra figura.
- **Valores p ajustados** (CSV): Valores p sin corregir y corregidos para cada par, ordenados por la fuerza de la correlación y con el método de corrección indicado.
- **El script** (Script de Python): El análisis completo en Python (o en R, si lo pides), para poder rehacer la figura con datos nuevos.

## Cómo funciona

1. **Sube la tabla y elige las variables**: Dale a Yila un archivo CSV o Excel e indica qué variables incluir, o deja que tome todas las columnas continuas.
2. **Yila revisa primero las variables**: Examina las distribuciones y el número de valores faltantes, de modo que las variables asimétricas u ordinales reciban una correlación de rangos y las binarias no se mezclen por error.
3. **Obtén la figura, las tablas y el script**: El mapa de calor se genera, se comprueba que se lea bien y se guarda con las dos tablas y el script. Pide solo el triángulo inferior, otra paleta o una corrección distinta en la misma conversación.

## Pensado para

- **Explorar un conjunto de datos nuevo**: Ve de un vistazo qué mediciones varían juntas antes de planificar los modelos.
- **Comprobar la colinealidad**: Detecta predictores tan relacionados entre sí que no conviene incluirlos en la misma regresión.
- **Una figura suplementaria**: Una visión general clara de las correlaciones, que los revisores suelen pedir junto a los resultados principales.

## Preguntas frecuentes

### ¿Pearson o Spearman?

Pearson mide la asociación lineal y es adecuado para variables con distribución aproximadamente normal; Spearman trabaja con rangos y es más seguro con datos asimétricos, valores atípicos o escalas ordinales. Si no eliges, Yila examina las distribuciones y explica su elección. Los valores de laboratorio clínico, como los del ejemplo, suelen ser asimétricos, así que se usó Spearman.

### ¿Por qué corregir por comparaciones múltiples?

Con muchas variables se analizan muchos pares, y algunos parecerán significativos por azar. Una corrección de la tasa de falsos descubrimientos, como la de Benjamini–Hochberg, lo mantiene bajo control; Yila marca solo los pares que la superan y también da los valores p sin corregir.

### ¿Para qué sirve el orden por agrupamiento?

Coloca juntas las variables que se correlacionan entre sí, de modo que se ven bloques de mediciones relacionadas. Si prefieres un orden fijo, enumera las variables en el orden que quieras.

### ¿Sirve para muchas variables?

Sí. Con decenas de variables, Yila quita los coeficientes escritos o muestra solo el triángulo inferior para que la figura siga siendo legible, y la matriz completa siempre está en la tabla.

### ¿Puedo incluir variables categóricas?

Un mapa de calor de correlaciones está pensado para variables numéricas y ordinales. Las variables binarias se pueden incluir con una correlación biserial puntual o de rangos si lo pides; para categorías con varios niveles, Yila sugiere otro tipo de resumen.

### ¿R o Python?

Cualquiera de los dos. El ejemplo usó Python; en R, Yila usa corrplot o ComplexHeatmap.

### ¿De dónde proceden los datos del ejemplo?

Del conjunto de datos abierto Heart Failure Clinical Records (Chicco y Jurman, 2020), publicado con licencia CC BY 4.0 en el UCI Machine Learning Repository. Yila nunca usa datos de usuarios como ejemplos.

---

- [Haz un mapa de calor de correlaciones listo para publicar](https://yila.ai/es/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/es/llms.txt)
