前面介绍了相关性分析的原理、流程和常用的皮尔逊相关系数和斯皮尔曼相关系数，具体可以参考《数据分析-相关性分析》。然后把Excel、PowerBI和Python来实现来实现《相关性分析（PowerBI、Excel）》、《Python相关性分析》，这个内容今天最后完结，有的时候数据报告可能需要，所以把数据相关性可视化的部分最后补上。
在数据分析中，相关性分析是一种用于探索和量化变量之间关系的重要方法。通过相关性分析，数据分析师可以识别变量之间的依赖关系，从而为进一步的建模和决策提供依据。相关性分析可视化通过直观的图形展示变量间的关系，使复杂的数据模式更易理解和解释。常用的相关性分析可视化方法包括散点图、热图和配对图。
【散点图（Scatter Plot）】
散点图是一种二维图表，用于展示两个变量之间的关系。每个点在图上表示一对数据点的值，横坐标和纵坐标分别表示两个变量。通过观察点的分布形态，可以直观地判断变量之间的相关性类型（正相关、负相关或无相关）。
我们用电商数据中的广告费用投入、访客人数、支付人数、支付金额四个维度举例。我们将生成模拟数据并分别使用Python、R语言和Excel进行相关性分析的可视化展示。
【Python散点图】
首先模拟数据，导入相关的包，然后模拟生成相关数据，代码和结果如下↓
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体为黑体
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
import pandas as pd
import numpy as np
import seaborn as sns
np.random.seed(21)
days = 200
ad_spend = np.random.normal(10000, 2000, days) # 广告费用
visitors = ad_spend + np.random.normal(100000, 1000, days) # 访客人数
paying_visitors = (visitors * 0.2 + np.random.normal(2000, 400, days)) # 支付人数
revenue = paying_visitors * 3 + np.random.normal(5000, 1500, days) # 支付金额
data = pd.DataFrame({
'广告费': ad_spend,
'访客': visitors,
'买家数': paying_visitors,
'销售金额': revenue
})
然后简单绘制一个散点图，代码和结果如下↓
# 绘制广告费用与访客人数的散点图
plt.figure(figsize=(10, 5))
plt.scatter(data['广告费'], data['访客'])
plt.xlabel('广告费（元）')
plt.ylabel('访客数')
plt.title('Scatter Plot of Ad Spend vs Visitors')
plt.show()
# 绘制访客人数与支付人数的散点图
plt.figure(figsize=(10, 5))
plt.scatter(data['访客'], data['买家数'])
plt.xlabel('访客')
plt.ylabel('买家数')
plt.title('绘制访客人数与支付人数的散点图')
plt.show()
从结果可以看出，广告费用的投入和访客人数还是有很强的相关性；而访客人数和支付人数之间虽然也是正相关，但是整体相关性不是特别强。
【R语言散点图】
R语言也比较简单，还是同样的数据，绘图代码如下↓
library(ggplot2)
data <- read.delim("clipboard")
library(sysfonts)
library(showtextdb)
library(showtext)
showtext_auto()
ggplot(data, aes(x = 广告费, y = 访客)) +
geom_point() +
labs(title = "广告费与访客数的散点图", x = "广告费", y = "访客数")+
theme(text = element_text(size = 22))
【Excel散点图】
Excel里面直接选择两列，然后插入散点图就行了。
【热图（Heatmap）】
热图是一种用颜色表示数据矩阵的图表，通常用于展示变量之间的相关性矩阵。颜色深浅代表相关系数的大小，颜色变化可以帮助快速识别强相关和弱相关的变量对。
【Python热图】
绘制热图先要计算各列数据之间的相关性，结果是一个矩阵，如下图↓
# 计算相关性矩阵
corr_matrix = data.corr()
然后就对这个矩阵的数据进行可视化，其实就是对数据大小的颜色进行填充，代码和结果如下↓
# 绘制热图
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', vmin=-1, vmax=1)
plt.title('Correlation Matrix Heatmap')
plt.show()
【R语言热图】
R语言也是同样的原理，直接上代码↓
library(reshape2)
# 计算相关性矩阵
corr_matrix <- cor(data)
# 绘制热图
corr_melt <- melt(corr_matrix)
ggplot(data = corr_melt, aes(Var1, Var2, fill = value)) +
geom_tile() +
scale_fill_gradient2(low = "blue", high = "red", mid = "white", midpoint = 0) +
theme_minimal() +
ggtitle('Correlation Matrix Heatmap')+
theme(text = element_text(size = 30))
【Excel热图】
Excel里面需要分两步，第一步是通过数据分析工具，选择相关性分析；然后设置一下参数，如下↓
结果就是如下的一个数据矩阵↓
最后就是把数据格式按照需求进行条件格式填充即可↓
【配对图（Pair Plot）】
配对图是一种多变量数据的可视化方法，展示所有变量两两组合的散点图，并在对角线上显示每个变量的分布。配对图适用于快速检查多变量之间的相关性和分布模式。
【Python配对图】
# 绘制配对图
sns.pairplot(data,
diag_kws=dict(fill=False))
plt.show()
【R语言配对图】
library(GGally)
# 绘制配对图
ggpairs(data)
GGally包可以有很丰富的可视化功能，这里只是使用最简单的代码就能绘制成比较成型的图形。后续会根据情况单独写一篇完整的介绍。
End