当前位置：首页>python>Python绘图:Seaborn复现13*13特征相关系数热图

Python绘图:Seaborn复现13*13特征相关系数热图

2026-08-19 07:03:30

欢迎关注【嗡嗡的Python日常】

今日复现内容介绍

本节介绍：一种论文中常见的特征间相关系数热力图。图中以 13×13 矩阵展示 Dosage、T-RW、NTU-RW、pH-RW、EC-RW、NH3-N-RW、CODMn-RW、T-TW、NTU-TW、pH-TW、EC-TW、CODMn-TW 和 WTR 等变量之间的相关关系。

本文根据原图结构和用户提供的 Jupyter Notebook 代码，对发散色带、数值标注、Colorbar 设置和批量配色导出流程进行整理说明。当前代码直接整理了原图中的相关系数矩阵，用于复现论文图形结构；正式用于自己的论文时，应从原始数据计算相关矩阵，并结合实验设计、样本量和统计检验谨慎解释。

相关信息

相关系数热图主要用于展示多个变量之间的两两线性相关关系。每个小方格对应一对变量的相关系数，数值范围通常为 -1 到 1。正值表示正相关，负值表示负相关，绝对值越接近 1，说明线性相关程度越强。

这张图使用发散色带来表达相关方向：蓝色区域表示正相关，红色区域表示负相关，颜色越深表示相关强度越高。单元格中的数字保留了具体相关系数，右侧 Colorbar 则提供颜色与数值之间的对应关系。

论文原图

与普通相关系数表相比，热图更适合快速识别强相关变量、变量簇和潜在共线性。例如 EC-RW 与 EC-TW 呈现很强正相关，CODMn-RW 与 T-TW 呈现较强负相关。这类图适合放在论文的数据探索、变量关系分析、建模前特征筛查或机理讨论部分。

基础代码

下面代码使用整理后的相关系数矩阵进行流程演示，主要用于说明图形结构和复刻逻辑。如果迁移到自己的数据中，可以先使用 df.corr() 计算相关矩阵，再替换本文中的 data_matrix。

import matplotlib.pyplot as pltimport pandas as pdimport seaborn as snsimport osimport warningswarnings.filterwarnings("ignore")plt.rcParams["font.family"] = ["Times New Roman", "SimHei", "DejaVu Sans"]plt.rcParams["mathtext.fontset"] = "stix"plt.rcParams["axes.unicode_minus"] = Falseplt.rcParams["savefig.bbox"] = "tight"plt.rcParams["savefig.dpi"] = 600

这部分用于统一全局绘图风格，包括字体、公式显示、负号显示和保存分辨率。相关性热图中的变量名通常较长，字体和刻度布局会直接影响图形可读性。

plot_config = {    "figsize": (12, 10),    "annot_font_size": 11,    "tick_label_size": 15,    "cbar_tick_size": 13,    "tick_label_weight": "bold",    "annot_weight": "bold",    "cbar_shrink": 0.98,}

这里将画布尺寸、单元格数字字号、坐标轴标签字号、Colorbar 字号和收缩比例集中管理。后续如果要适配不同期刊版面，只需要微调这一组参数即可。

data_matrix = [    [1, -0.71, 0.45, -0.33, 0.56, 0.87, 0.56, -0.67, -0.23, -0.9, 0.43, 0.011, -0.68],    [-0.71, 1, -0.014, -0.23, -0.92, -0.63, -0.94, 1, -0.37, 0.53, -0.86, -0.67, 0.59],    [0.45, -0.014, 1, -0.16, -0.24, 0.72, -0.045, 0.04, -0.44, -0.44, -0.38, -0.56, -0.44],]labels = ["Dosage", "T-RW", "NTU-RW", "pH-RW", "EC-RW", r"NH$_3$-N--RW",    r"COD$_{Mn}$-RW", "T-TW", "NTU-TW", "pH-TW", "EC-TW",    r"COD$_{Mn}$-TW", "WTR"]df = pd.DataFrame(data_matrix, index=labels, columns=labels)

这里展示的是数据组织方式。完整复刻代码中，data_matrix 是一个 13×13 相关系数矩阵，行列名称完全一致。用 DataFrame 包装后，seaborn.heatmap 可以自动识别横纵坐标标签。

论文原图复现结果

多配色参考

fig, ax = plt.subplots(figsize=plot_config["figsize"])sns.heatmap(    df,    annot=True,    fmt="g",    cmap="RdBu",    vmin=-1,    vmax=1,    linewidths=0,    ax=ax,    cbar_kws={"shrink": plot_config["cbar_shrink"]},    annot_kws={        "size": plot_config["annot_font_size"],        "weight": plot_config["annot_weight"]    })

Notebook 中还提供了多套发散色带的批量导出逻辑，便于比较不同期刊风格下的视觉效果。

scientific_cmaps = ["coolwarm", "vlag", "Spectral", "PiYG", "BrBG"]for cmap_name in scientific_cmaps:    fig, ax = plt.subplots(figsize=plot_config["figsize"])    sns.heatmap(        df,        annot=True,        fmt="g",        cmap=cmap_name,        vmin=-1,        vmax=1,        linewidths=0,        ax=ax,        cbar_kws={"shrink": plot_config["cbar_shrink"]},        annot_kws={            "size": plot_config["annot_font_size"],            "weight": plot_config["annot_weight"]        }    )    save_path = os.path.join(save_dir, f"reproduce_heatmap_{cmap_name}.png")    plt.savefig(save_path, dpi=600, format="png")