06.6.1
相関ヒートマップ
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。
| |

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。
- 散布図行列 — 多次元データの全ペアを一覧
- 散布図の基本形 — 2変数の関係を点で俯瞰
- コホートヒートマップ — 獲得月×経過月の継続率を色で表示