# 做一张能直接放进论文的相关性热图

> 上传变量表，Yila 选择合适的相关系数，按检验次数做校正，把变量排成能看出规律的顺序，同时交付完整的相关矩阵和代码。

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

## 你会得到

- **热图** (PNG + SVG): 以零为中心的双向色阶，每格标出相关系数，显著的变量对加以标记，变量按聚类顺序排列。
- **相关系数矩阵** (CSV): 所有相关系数整理成表，可以直接引用，也可以拿去画别的图。
- **校正后的 P 值** (CSV): 每个变量对的原始 P 值和校正后 P 值，按相关强度排序，并注明校正方法。
- **分析代码** (Python 代码): 完整的 Python 代码（需要的话也可以是 R），换了新数据也能一键重画。

## 怎么做

1. **上传表格，选好变量**: 给 Yila 一个 CSV 或 Excel 文件，说明要纳入哪些变量；不指定的话，它会纳入所有连续变量。
2. **Yila 先检查变量**: 它先看每个变量的分布和缺失情况：偏态或等级变量用秩相关，二分类变量不会被误混进来。
3. **拿到图、表和代码**: 热图渲染出来，检查文字是否清楚后，与两张表和代码一起保存。想只显示下三角、换配色或换校正方法，在同一个对话里说就行。

## 适合这些场景

- **初探一个新数据集**: 在规划模型之前，一眼看出哪些指标是一起变化的。
- **检查共线性**: 找出相关性太强、不宜放进同一个回归模型的自变量。
- **补充材料里的图**: 审稿人常常要求在主要结果之外附一张清楚的相关性总览。

## 常见问题

### 用 Pearson 还是 Spearman？

Pearson 衡量线性相关，适合大致正态的变量；Spearman 基于秩次，对偏态、离群值和等级变量更稳妥。如果你不指定，Yila 会看过分布再选，并说明理由。像示例中的临床检验指标通常是偏态的，所以用了 Spearman。

### 为什么要做多重检验校正？

变量一多，要检验的变量对就多，其中总会有一些仅仅因为偶然而显得显著。用 Benjamini–Hochberg 这类错误发现率校正可以控制这一点；Yila 只标记校正后仍显著的变量对，同时也给出原始 P 值。

### 按聚类排序有什么用？

它会把彼此相关的变量排在一起，让成块相关的指标一眼可见。如果你想要固定顺序，按你想要的顺序列出变量即可。

### 变量很多也能做吗？

能。变量有几十个时，Yila 会去掉格子里的数字或只画下三角，保证图仍然清楚，完整的矩阵始终在表里。

### 能放分类变量吗？

相关性热图本来是给数值变量和等级变量用的。二分类变量可以在你要求时用点二列相关或秩相关纳入；多水平的分类变量，Yila 会建议换一种汇总方式。

### 用 R 还是 Python？

都可以。示例用的是 Python；用 R 时 Yila 会用 corrplot 或 ComplexHeatmap。

### 示例用的数据从哪里来？

来自公开的 Heart Failure Clinical Records 数据集（Chicco 与 Jurman，2020），以 CC BY 4.0 许可发布在 UCI 机器学习数据库上。Yila 从不拿用户的数据做示例。

---

- [做一张能直接放进论文的相关性热图](https://yila.ai/zh/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/zh/llms.txt)
