# 畫一張能直接放進論文的相關係數熱圖

> 上傳變數資料表，Yila 會選擇合適的相關係數、依檢定次數進行校正、把變數排成看得出規律的順序，並將圖連同完整的相關矩陣與程式碼一起儲存。

URL: https://yila.ai/zh-TW/playbooks/correlation-heatmap

## 你會得到

- **熱圖** (PNG + SVG): 以零為中心的雙向色階，每個方格標出相關係數，顯著的變數對加上標記，變數依分群順序排列。
- **相關矩陣** (CSV): 所有相關係數整理成表格，可直接引用，也能拿去畫其他圖。
- **校正後 p 值** (CSV): 每個變數對的原始與校正後 p 值，依相關強度排序，並註明校正方法。
- **分析程式碼** (Python 程式碼): 完整的 Python 分析程式碼（需要的話也可以是 R），換上新資料就能重畫這張圖。

## 運作方式

1. **上傳資料表，選定變數**: 給 Yila 一個 CSV 或 Excel 檔，說明要納入哪些變數；也可以讓它納入所有連續型欄位。
2. **Yila 先檢查變數**: 它會先看各變數的分布和遺漏值數量，讓偏態或次序變數改用等級相關，二元變數也不會被誤混進來。
3. **取得圖、表格和程式碼**: 熱圖畫好後會檢查文字是否清晰易讀，再與兩份表格和程式碼一起儲存。想只顯示下三角、換配色或改用其他校正方法，在同一個對話裡提出即可。

## 適用情境

- **初步探索新資料集**: 在規劃模型之前，一眼看出哪些測量值會一起變動。
- **檢查共線性**: 找出彼此相關太強、不宜放進同一個迴歸模型的預測變數。
- **補充資料中的圖**: 一張清楚的相關性總覽，審稿人常會要求附在主要結果之外。

## 常見問題

### 相關分析該用 Pearson 還是 Spearman？

Pearson 衡量線性關聯，適合大致呈常態分布的變數；Spearman 以等級計算，面對偏態資料、離群值或次序尺度時較為穩健。如果你沒有指定，Yila 會先看分布再選擇，並說明理由。像範例中的臨床檢驗數值通常呈偏態，所以採用了 Spearman。

### 為什麼要做多重檢定校正？

變數一多，要檢定的變數對也多，其中總會有一些只是碰巧看起來顯著。Benjamini–Hochberg 這類偽發現率（FDR）校正可以控制這種情況；Yila 只標記校正後仍顯著的變數對，同時也提供原始 p 值。

### 依分群排序有什麼作用？

它會把彼此相關的變數排在一起，讓成群相關的測量值一眼可見。如果你偏好固定順序，照你想要的順序列出變數即可。

### 變數很多也能畫嗎？

可以。變數多達數十個時，Yila 會拿掉方格中的數字，或只顯示下三角，讓圖保持清晰易讀；完整的矩陣則一律保留在表格中。

### 可以放入類別變數嗎？

相關係數熱圖原本是為數值變數與次序變數設計的。二元變數可在你要求時以點二系列相關或等級相關納入；若是有多個類別的變數，Yila 會建議改用其他彙整方式。

### 用 R 還是 Python？

兩者皆可。範例使用 Python；用 R 時，Yila 會使用 corrplot 或 ComplexHeatmap。

### 範例資料從哪裡來？

來自公開的 Heart Failure Clinical Records 資料集（Chicco 與 Jurman，2020），以 CC BY 4.0 授權發布於 UCI Machine Learning Repository。Yila 從不拿使用者的資料當作範例。

---

- [畫一張能直接放進論文的相關係數熱圖](https://yila.ai/zh-TW/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/zh-TW/llms.txt)
