# Crie um mapa de calor de correlação pronto para publicação

> Envie uma tabela de variáveis. A Yila escolhe a correlação adequada, corrige os valores de p pelo número de testes, ordena as variáveis para que os padrões apareçam e salva a figura com a matriz completa e o script.

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

## O que você recebe

- **Mapa de calor** (PNG + SVG): Escala de cores divergente centrada em zero, coeficientes impressos em cada célula, pares significativos marcados e variáveis em ordem de agrupamento.
- **Matriz de correlação** (CSV): Todos os coeficientes em uma tabela que você pode citar ou reaproveitar em outra figura.
- **Valores de p ajustados** (CSV): Valores de p brutos e corrigidos para cada par, ordenados pela força da correlação, com o método de correção indicado.
- **O script** (Script Python): A análise completa em Python (ou em R, se você pedir), para que a figura possa ser refeita com novos dados.

## Como funciona

1. **Envie a tabela e escolha as variáveis**: Envie à Yila um arquivo CSV ou Excel e diga quais variáveis incluir, ou deixe que ela use todas as colunas contínuas.
2. **A Yila confere as variáveis primeiro**: Ela examina as distribuições e a quantidade de valores ausentes, para que variáveis assimétricas ou ordinais recebam uma correlação de postos e as binárias não entrem por engano.
3. **Receba a figura, as tabelas e o script**: O mapa de calor é renderizado, conferido quanto à legibilidade e salvo com as duas tabelas e o script. Peça só o triângulo inferior, outra paleta ou outra correção na mesma conversa.

## Indicado para

- **Explorar um conjunto de dados novo**: Veja de relance quais medidas variam juntas antes de planejar os modelos.
- **Verificar colinearidade**: Encontre preditores correlacionados demais entre si para entrar na mesma regressão.
- **Uma figura suplementar**: Uma visão geral limpa das correlações, que os revisores costumam pedir junto com os resultados principais.

## Perguntas frequentes

### Pearson ou Spearman?

Pearson mede associação linear e é indicado para variáveis com distribuição aproximadamente normal; Spearman trabalha com postos e é mais seguro para dados assimétricos, valores atípicos ou escalas ordinais. Se você não escolher, a Yila examina as distribuições e explica a escolha. Valores laboratoriais clínicos, como os do exemplo, costumam ser assimétricos, por isso o exemplo usou Spearman.

### Por que corrigir para testes múltiplos?

Com muitas variáveis, você testa muitos pares, e alguns vão parecer significativos por acaso. Uma correção da taxa de falsas descobertas, como a de Benjamini–Hochberg, mantém isso sob controle; a Yila marca apenas os pares que continuam significativos após a correção e também informa os valores de p brutos.

### Para que serve a ordem por agrupamento?

Ela coloca lado a lado as variáveis que se correlacionam entre si, de modo que blocos de medidas relacionadas ficam visíveis. Se preferir uma ordem fixa, liste as variáveis na ordem que você quer.

### Funciona com muitas variáveis?

Sim. Com dezenas de variáveis, a Yila deixa de imprimir os coeficientes ou mostra só o triângulo inferior para que a figura continue legível, e a matriz completa fica sempre na tabela.

### Posso incluir variáveis categóricas?

Um mapa de calor de correlação é feito para variáveis numéricas e ordinais. Variáveis binárias podem entrar com uma correlação ponto-bisserial ou de postos, se você pedir; para categorias com vários níveis, a Yila sugere outro tipo de resumo.

### R ou Python?

Qualquer um dos dois. O exemplo usou Python; em R, a Yila usa corrplot ou ComplexHeatmap.

### De onde vêm os dados do exemplo?

Do conjunto de dados aberto Heart Failure Clinical Records (Chicco e Jurman, 2020), publicado sob a licença CC BY 4.0 no UCI Machine Learning Repository. A Yila nunca usa dados de usuários como exemplo.

---

- [Crie um mapa de calor de correlação pronto para publicação](https://yila.ai/pt/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/pt/llms.txt)
