资料文库

相关性分析（7）：热力图怎么读？一眼看懂多个变量之间的关系

统计

当数据集里只有两三个变量时，做相关分析很轻松。但如果数据里有 8 个、10 个甚至二三十个变量，仅仅看“相关系数表”往往会让人眼花缭乱：

  • 哪些变量关系强？
  • 哪些变量可能重复？
  • 因变量最可能被哪些变量影响？
  • 是否存在多重共线性风险？

这时，一张热力图（Heatmap）就能让你瞬间抓住整体结构。热力图正在成为学术论文、商业分析和数据科学中最常用的可视化方法之一。

但很多读者其实并不了解：

热力图远不只是“颜色好看”，它更是一个强大的变量结构洞察工具。

这一篇，我们通过一个真实案例，系统讲清楚：

  • 热力图是什么
  • 颜色代表什么
  • 如何从热力图看出变量结构
  • 如何用热力图判断共线性
  • 如何在论文中解释热力图
  • 热力图最常见的误区

【一】什么是热力图？为什么我们需要它？

热力图是一种用颜色深浅表示数值大小的可视化工具。在相关分析中，每个格子的颜色代表一个相关系数：

  • 深红色：强正相关
  • 深蓝色：强负相关
  • 白色或浅色：弱相关或没有明显关系

与纯数字表格相比，热力图的最大优势是：

它能让你一眼看到“整体结构”，而不仅是某一个数字。

例如，在城市创新、数字经济、企业绩效、消费者行为等分析中，热力图能快速告诉你：

  • 哪些变量属于同一组结构
  • 哪些变量可能冗余
  • 哪些变量值得加入回归
  • 哪些变量可能带来多重共线性

【二】通过案例认识热力图：广告点击行为数据

以下案例，是一个经典的广告点击行为分析：

“案例为包含多个变量的数据集，时间范围从2016年到2017年，记录了用户的广告点击行为。数据集包括了多个变量，例如，用户的年龄、收入、每日上网时间、互联网使用时长、性别、城市、国家等。研究的主要目标是分析这些变量如何综合影响广告点击行为（是否点击广告）。请借助AI工具，画出这些变量的热力图，并进行简单分析；如果有些变量不能直接画出热力图，应当如何处理？”

数据包含以下变量：

  • DailyTimeSpentOnSite：每日在网站停留时间
  • Age：年龄
  • AreaIncome：用户所在地区的平均收入
  • DailyInternetUsage：每日互联网使用时长
  • Male：性别（0/1）
  • ClickedOnAd：是否点击广告（0/1）

研究目的很简单：

是什么影响了用户是否点击广告？

我们先用热力图做整体探索。下面的分析使用两张图：

图 1：包含性别变量的热力图

图片

图 2：去掉性别后的热力图

图片

【三】 如何解读热力图？以上述案例为例

（1）哪些变量最影响“是否点击广告”？

从热力图中可以看到：

① DailyTimeSpentOnSite → 与 ClickedOnAd 强负相关（深蓝）

说明：

  • 停留时间越长的用户越不愿意点广告
  • 老练用户看到广告更免疫

② DailyInternetUsage → 与 ClickedOnAd 负相关（蓝色）

  • 每天上网越久的用户越不爱点广告
  • 互联网“重度用户”更挑剔，这是广告数据中最常见的规律之一

③ Age → 与 ClickedOnAd 正相关（浅红）

  • 年龄越大越可能点广告
  • 年长用户更容易对广告产生兴趣

④ 白色或浅色代表什么？

在这个案例中，你也会看到一些“浅色或白色”的格子，例如：

  • AreaIncome 与 DailyTimeSpentOnSite
  • AreaIncome 与 DailyInternetUsage

这些浅色部分意味着：

两个变量之间的相关性很弱（|r| 接近 0），几乎不存在线性关系。

换句话说：

高收入地区的用户，并不会因为收入水平改变他们的上网时间或是否点击广告。

在后续建模中，这类变量的贡献通常较小，但可以作为控制变量保留。

👉 一句话小结：

重度网民不喜欢点广告，而年龄稍大的人反而更容易点击。
白色区域表示变量之间“几乎没有关系”，无需过度解读。

（2）变量之间是否存在明显“成组结构”？

热力图显示：

  • DailyTimeSpentOnSite 与 DailyInternetUsage → 显著正相关（红色）

说明：

  • 上网时间多 → 在网站上停留时间长
  • 两者反映用户的“互联网活跃度”结构

在回归模型中，这两个变量可能含义重复（冗余），需要谨慎同时放入。

（3）是否存在多重共线性风险？

  • 热力图中没有出现大面积深红（|r| > 0.8）的区域
  • 说明：当前变量之间的多重共线性不严重

这意味着后续进行：

  • 逻辑回归
  • 线性回归
  • 树模型解释

都比较安全，不会因为共线性导致系数异常或 t 值失真。

【四】热力图能提供的三大洞察（非常实用！）

用途 1：发现“成组变量结构”

例如：

  • 用户活跃度类变量——上网时长、停留时间
  • 区域经济变量——收入、消费水平
  • 社会经济类指标——教育、GDP（你城市创新案例中常见）

成组结构意味着：

  • 变量可能冗余
  • 可以只选其中一个
  • 或做主成分分析、因子分析

用途 2：提前判断多重共线性（在回归之前）

热力图比 VIF 更直观：

  • 如果两个变量深红（r>0.8），基本就是严重共线性
  • 如果是一片连续深红区域，就是“共线性片区”

你可以提前决定：

  • 哪些不一起放
  • 哪些应该合成指标
  • 哪些必须标准化或降维

用途 3：筛选变量，提高模型效率

热力图能告诉你：

  • 和因变量关系最强的（重点变量）
  • 和其他变量高度重合的（冗余变量）
  • 完全无关的（可删）

它非常适合放在论文、课堂作业、企业分析中使用。

【五】 如何正确阅读热力图？（三步判断法）

第一步：看整体结构

有没有“大片区域”颜色相似？
可能是一组结构（如教育-GDP-人口密度）。

第二步：看因变量对应那一列

“哪个格子最红或最蓝”？
那就是关键解释变量。

第三步：注意深红与深红

深红连成片 → 共线性
深蓝也要注意 → 强负相关结构

图片

【六】热力图常见误区

❌ 误区 1：把深红当成因果

深红只是“同步变化”。
并不是“前者导致后者”。

❌ 误区 2：热力图只识别线性关系

非线性关系（U 型、倒 U、分段）
都会被热力图显示为“浅色”。

❌ 误区 3：深红 ≠ 好，有时代表冗余

特别是在回归中：

  • 深红意味着重复信息
  • 会导致 VIF 高、系数不显著

【七】论文/报告中如何解释热力图？

下面是可以写入论文里的标准表达：

图 X 展示了核心变量之间的相关结构。可以看到，网站停留时间（DailyTimeSpentOnSite）与广告点击行为（ClickedOnAd）呈显著负相关（r < 0），说明停留时间越久的用户越不倾向于点击广告。每日互联网使用时长与点击行为也呈负相关，这与互联网“重度用户对广告更加免疫”的规律一致。此外，用户年龄与点击行为呈正相关，表明年龄较大的用户更容易被广告吸引。值得注意的是，变量之间未出现 |r|>0.8 的强相关，因此后续回归分析中的多重共线性风险较低。相关结构仅反映共变关系，不构成因果推断依据。

【八】不能直接画热力图的变量怎么办？

在本文的案例（广告点击行为数据）中，除了数值变量外，还有一些不能直接画热力图的字段，例如：

  • City（城市）
  • Country（国家）
  • Gender（如 Male / Female 字符型）
  • 设备类型、浏览器类型、广告来源渠道等分类变量

这些变量都是“非数值型”，而皮尔逊相关（Pearson r）本质上要求变量为 连续数值型，因此无法直接参与相关矩阵。

下面是处理方法（按应用频率排序）👇

方法 1：转换为虚拟变量（One-Hot Encoding）——最常用的方法

如果想把 City、Country、Gender 纳入热力图，可以将其转换为多个虚拟变量。

例如：

  • City_London（0/1）
  • City_Paris（0/1）
  • City_Shanghai（0/1）
  • City_Tokyo（0/1）

这样，每个虚拟变量都变成了二元数值，即可与其他变量计算 Pearson 相关。

在广告点击案例中：

  • 如果Gender存储为“Male/Female”，需要先转成二元变量（如 Male=1，Female=0）
  • City、Country 若类别太多，不建议全部one-hot（否则变量会爆炸）

👉 适用场景：变量类别不多、且与你的因变量可能有逻辑关系。

方法 2：使用“分类 ↔ 数值” 专用相关系数（不转换也能分析）

如果你的目的是理解“性别是否影响广告点击”，而不是画热力图，那么其实 不需要one-hot。

可以直接使用更合适的相关系数，例如：

  • 点双列相关（Point-Biserial）：二分类 × 数值
  • Eta 系数（η）：多分类 × 数值
  • Cramér’s V：分类 × 分类

这些方法可以分析关系，但无法放进同一张热力图。

👉 适用场景：只想知道变量之间是否有关联，而不是画整体结构图。

方法 3：对文本类变量进行预处理（更适用于推荐系统与画像分析）

例如：

  • 用户兴趣标签（例如 “sports, travel, game”）
  • 搜索关键词
  • 浏览页面类别

这些不能直接转换，需要先进行：

  • 文本清洗
  • 分词、词频统计
  • TF-IDF
  • 或 embedding（如 word2vec）

再将向量形式变量纳入模型或分析。

👉 热力图一般用于结构化变量，文本变量处理后不建议强行与结构化变量放在同一张热力图里。

方法 4：在某些情况下，不处理也可以——这点常被忽略

在许多论文情境中：

  • City、Country 类别很多（>20）
  • 类别本身没有研究意义
  • 类别之间没有固定顺序
  • 加入模型会造成干扰（高维稀疏）

这种情况下：

分类变量本身就不适合用于相关分析，也不适合纳入热力图。

例如广告点击案例中：

  • Country 类别很多且无序
  • 城市名称本身不会直接影响点击意愿
  • 在热力图中加入城市变量反而会模糊重点

👉 正确做法是：

作为控制变量在回归模型中加入，不用放进热力图。

可以在论文中这样写：

在数据集中，City和Country属于多类别的非数值变量，无法直接计算 Pearson相关，因此未纳入热力图。性别变量（Male）若以“Male/Female”字符存储，则需先转换为二元虚拟变量后才能参与相关分析。需要注意的是，多类别变量在相关结构中通常难以提供稳定信息，因此本研究主要对核心数值变量绘制热力图，以便更清晰地展示变量之间的线性关系结构。

【九】小结：热力图是进入回归之前最重要的工具之一

热力图的价值在于：

  • 看颜色，不看单个数字
  • 读结构，而不是读某一个 r
  • 快速筛选变量
  • 发现成组结构
  • 判断共线性
  • 帮助构建更稳健的模型

但要记住：

热力图帮你发现“关系”，不是判断“因果”。