K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

相関ヒートマップ

入門

06.6.1

相関ヒートマップ

最終更新 2020-01-29 読了時間 2 分
まとめ
相関ヒートマップは、すべての変数ペアの相関係数 \(r\) を正方形の表に並べ、−1 から 1 の値を色の濃さに置き換えた図です。df.corr() が相関行列を返し、sns.heatmap(corr, annot=True, vmin=-1, vmax=1) がそれを色と数字で描くので、コードは実質 2 行で済みます。4 変数なら散布図 6 枚、20 変数なら 190 枚が必要なところを 1 枚で見渡せるため、特徴量選択や多重共線性の確認の最初の一手に使います。読み終えると、対角線の 1 を飛ばして色の濃いペアを拾い、cmap を青一色にするか発散型にするかをデータの符号で決められるようになります。

直感 #

お店の 8 か月分の記録に「売上・集客・滞在時間・リピート率」の 4 列があるとします。「集客が増えた月は売上も増えているか」は散布図 1 枚で分かりますが、4 列なら組み合わせは 6 通り、20 列なら 190 通りになり、散布図を並べて眺めるのは現実的ではありません。相関ヒートマップは、各ペアの相関係数 \(r\) を 1 つの数字に縮め、それを表のマスに色で塗ります。濃いマスを探すだけで「どの 2 つが一緒に動くか」が拾えるので、散布図で深掘りするペアを絞る入口の図になります。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:r は「直線に沿う強さ」。曲線的な関係や外れ値があると、r だけでは関係を見誤る。

Python で描く #

次のコードは、8 か月分の 4 指標を DataFrame にまとめ、df.corr() で 4 × 4 の相関行列を作り、sns.heatmap で各セルに相関係数の数字と色を入れます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.DataFrame(
    {
        "売上":    [100, 120, 150, 170, 190, 210, 180, 205],
        "集客":    [230, 260, 300, 320, 350, 370, 330, 360],
        "滞在時間": [18, 20, 23, 25, 27, 29, 26, 28],
        "リピート率": [0.32, 0.34, 0.36, 0.38, 0.4, 0.41, 0.39, 0.4],
    }
)

corr = df.corr(numeric_only=True)
fig, ax = plt.subplots(figsize=(6, 5))
sns.heatmap(
    corr,
    annot=True,
    cmap="Blues",
    vmin=-1,
    vmax=1,
    square=True,
    fmt=".2f",
    ax=ax,
)
ax.set_title("売上指標の相関ヒートマップ")
fig.tight_layout()

plt.show()

pandas で相関行列を作り、seaborn.heatmap で描画するのが簡単ですの図

実行結果の読み方 #

対角線のセルは自分自身との相関なので必ず 1.00 で、ここに情報はありません。読むのは対角線の片側 6 セルだけです。この例では 6 セルすべてが 0.99〜1.00 の濃い青で、「集客が多い月は売上も滞在時間もリピート率も高い」という結びつきが一目で分かります。8 か月分の 8 点で計算した値なので、1,000 点で得た 0.99 とは信頼度が違うことも添えて読みます。

使いどころと落とし穴 #

相関ヒートマップが向くのは、変数が 4〜30 個あって「まず強いペアを拾いたい」EDA の初期段階と、回帰モデルに入れる前に説明変数どうしの相関(多重共線性)を確認する場面です。50 変数を超えるとセルが小さくなって annot の数字が読めなくなるので、相関の絶対値が 0.5 以上の変数だけに絞って描き直します。

落とし穴は 3 つあります。第一に、相関係数は直線に沿う強さしか測らないため、U 字型の関係は \(r\) が 0 に近くなって「薄い」色に塗られ、見逃します。濃いペアも薄いペアも、気になるものは 散布図行列 で点の形を確かめます。第二に、滞在時間とリピート率の相関が 0.99 でも、滞在時間を無理に延ばせばリピートが増えるとは言えません。両方を動かす第三の量(店の人気)がある可能性を注記します。第三に、cmap="jet" のような虹色カラーマップは正負の区別がつかず、0 がどこか分からなくなります。負の相関が出るデータでは発散型の "RdBu_r" を使い、vmin=-1, vmax=1 で 0 を中央の白に固定してください。