正解 A 兩行三個零件：先 df.corr(numeric_only=True) 算相關矩陣、再 sns.heatmap(corr, annot=True, vmin=-1, vmax=1)——numeric_only 避開字串欄、annot 印數字、色階錨滿 r 的值域 −1~1。本站 seaborn 0.13.2 實跑（200 天門市日報）：氣溫↔冰飲 +0.8956、氣溫↔熱飲 −0.8868、手算 Pearson 一字不差。B 直接餵原始 df——當場 ValueError（字串欄）、全數值也只是原始值色塊；C「相關必為正」——25 格裡 12 格是負的，vmin=0 讓 −0.87 與 0 同色貼底；D 的 value_counts 是一維 Series——IndexError。口訣：先算再畫、負一到一——熱力圖只畫你給它的矩陣。
分析師想繪製數值特徵的相關係數熱力圖，下列何者正確？
import seaborn as sns # 統計繪圖庫 # df：數值特徵 ＋ 可能混著的文字欄——四個選項四種畫法
先認清 sns.heatmap 的本性：它是一台無腦上色機——不懂統計、不會算相關，只會把你餵給它的每一格數字塗成顏色。所以整題其實在考「你餵它什麼」。正解的餵法分兩步：第一步「先算」——用 df.corr() 做出一張兩兩交情表（相關矩陣）：+1 是形影不離的麻吉、−1 是你來我走的天敵、0 是互不相識的陌生人；第二步「再畫」——把交情表交給上色機，並把溫度計刻度錨在 −1 到 +1（交情的天生值域），紅到底就是滿分麻吉、藍到底就是滿分天敵。三個錯誤選項是三種餵錯：B 把整本 200 頁的流水帳直接塞進上色機（不是交情表——含文字頁還當場卡紙）；C 堅信「人與人只有好感、沒有仇恨」，把溫度計下限設成 0——實跑 25 格裡 12 格的天敵關係集體隱形；D 塞了一張點名次數表（一維的 value_counts）——上色機連攤都攤不開。
點擊後出現漸進式說明：白話說明 → 說清楚一點 → 常見錯誤與考點。
點擊後出現漸進式說明。
五段，一段一段走完。右上角的「看位置」可以把這一段放回完整程式裡看。
import seaborn as sns # 統計繪圖庫（慣用縮寫 sns） # df：200 天門市日報——氣溫/冰飲/熱飲/降雨/來客 5 個數值欄＋店型字串欄
seaborn 是 matplotlib 之上的統計繪圖庫（第 16 頁 barplot 的老朋友）——heatmap 是它的「矩陣上色機」。本頁的店：200 天日報、5 個數值欄（氣溫、冰飲、熱飲、降雨、來客）——外加一個店型字串欄，它就是 B 與 C 的地雷引信：相關只能算數值，字串混進來就爆。
corr = df.corr(numeric_only=True) # 先算：5×5 相關矩陣（只吃數值欄） print(corr.shape) # (5, 5)——對角線全 1、上下三角對稱
df.corr() 把每一對數值欄的 Pearson 相關係數算好、排成 5×5 矩陣：對角線全 1（自己跟自己完全相關）、上下三角對稱（氣溫↔冰飲＝冰飲↔氣溫）。numeric_only=True 是 A 的隱藏加分：pandas 3 預設 numeric_only=False——含字串欄的 df 直接 df.corr() 當場 ValueError（C 的第一條死因、實跑訊息 could not convert string to float: '社區店'）；加上這個參數，字串欄被禮貌地繞過。
sns.heatmap(corr, annot=True, vmin=-1, vmax=1) # 再畫：色階錨滿值域、格上印數字
三個零件三個職責：corr——餵進去的是算好的矩陣（不是原始 df）；annot=True——每格印出數值，讀圖不用猜色差；vmin=-1, vmax=1——把色階錨滿 r 的天生值域：不錨的話色階跟著資料浮動（本頁資料會變成 −0.89~1 的區間），同一個 0.5 在不同圖上顏色不同、跨圖不可比；錨滿了，顏色就是絕對語言。
# 實跑關鍵格：氣溫↔冰飲 +0.8956、氣溫↔熱飲 −0.8868、降雨↔來客 −0.7469 # A 的三個零件全對：numeric_only 避開字串欄、annot 印數字、vmin/vmax 錨 −1~1 ○
讀圖三句話：氣溫↔冰飲 +0.8956——天越熱冰飲越好賣（強正相關、熱力圖上深紅）；氣溫↔熱飲 −0.8868——天越熱熱飲越慘（強負相關、深藍）；氣溫↔降雨 +0.0786——幾乎無關（近白）。正與負一樣有價值：負相關是「反向連動」的商業訊號（雨天來客 −0.7469 → 雨天要不要推外送？）——這正是 C 把負相關滅掉之所以致命。
# 手算 Pearson（氣溫↔冰飲）：Σ(x−x̄)(y−ȳ) / √Σ(x−x̄)²·√Σ(y−ȳ)² = 0.8956 一字不差 # 進階寫法：sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', center=0) # 加碼：mask=np.triu(np.ones_like(corr, bool))——對稱矩陣遮上三角看一半就夠
黑盒子拆開：Pearson r＝「共變」除以「各自變動」——手算 0.8956 與 pandas 一字不差。進階三旋鈕（面試加分）：cmap='coolwarm'＋center=0——紅正藍負、白色壓在 0 上，正負一眼分家；fmt='.2f' 控制 annot 位數；mask=np.triu(...) 遮掉上三角——對稱矩陣看一半就夠，版面清爽一倍。
5×5 的兩兩交情表攤開——關鍵格、手算對帳、結構三性質：
同一張相關矩陣、三種色階設定——正解、C 的隱形術、進階版對照開庭：
上色機只認矩陣——原始流水帳與點名次數表闖進來會怎樣（全實跑）：
sns.heatmap(df) 含店型字串欄——當場 ValueError: could not convert string to float: '社區店'；就算改餵全數值欄，畫出來是 200×5 的原始值色塊——色階 0.1~971 被來客（327~971）獨佔、氣溫（9.1~38）整欄擠在色階最底部幾乎同色——第 26 頁量級霸凌在視覺化重演，而且這張圖跟「相關」半點關係都沒有。D：df.value_counts() 回傳「各列組合出現次數」的一維 Series（實跑長度 200）——heatmap 需要 2D，當場 IndexError: Inconsistent shape between the condition and the input。熱力圖上一格深藍：冰飲↔熱飲 −0.7879——「賣冰飲搶了熱飲生意」？開庭：
r 的強弱判讀速查（經驗法則、本頁實跑格對號入座）：
| |r| | 慣用讀法 | 本頁實跑對應 |
|---|---|---|
| 0.8 ~ 1.0 | 非常強 | 氣溫↔冰飲 +0.8956、氣溫↔熱飲 −0.8868 |
| 0.6 ~ 0.8 | 強 | 降雨↔來客 −0.7469、冰飲↔熱飲 −0.7879（假相關！） |
| 0.3 ~ 0.6 | 中等 | 本頁未出現 |
| 0 ~ 0.3 | 弱～無 | 氣溫↔降雨 +0.0786、偏相關後的 +0.0308 |
# 進階三旋鈕（面試加分版）：紅正藍負、白壓在 0、上三角遮掉 sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', center=0, mask=np.triu(np.ones_like(corr, bool))) # 對稱矩陣看一半就夠
先算再畫、三個零件各司其職：numeric_only 繞開字串欄（pandas 3 不加會爆）、annot 每格印數字、vmin/vmax 錨滿 r 的值域 −1~1（顏色成為絕對語言）。實跑：5×5 矩陣、關鍵格 +0.8956／−0.8868、手算 Pearson 一字不差。
heatmap 是無腦上色機、不會幫你算相關。實跑：含店型字串欄當場 ValueError: could not convert string to float: '社區店'；就算全數值也只是 200×5 的原始值色塊——色階 0.1~971 被來客獨佔、與「相關」毫無關係。
雙重死因：① r 的值域是 −1~1——實跑 25 格裡 12 格為負；vmin=0 讓 −0.87 與 0.0 同色貼底（Normalize 實測）——最有價值的強負相關集體隱形、圖照畫不報錯。② df.corr() 不加 numeric_only、含字串欄在 pandas 3 先爆一顆 ValueError。
value_counts() 是「各列組合出現次數」的一維 Series（實跑長度 200）——與相關係數毫無關係、也不是矩陣。實跑 IndexError: Inconsistent shape between the condition and the input——上色機連攤都攤不開。
再看一次同一道題。這次你手上有一句口訣了：先算再畫、負一到一——熱力圖只畫你給它的矩陣。
corr = df.corr(numeric_only=True) # 先算：交情表 sns.heatmap(corr, annot=True, vmin=-1, vmax=1) # 再畫：錨滿 −1~1
八題，全部都是本題的延伸。答錯會直接告訴你錯在哪。
「相關分析與熱力圖」是中級科目二機率統計與資料分析的視覺化招牌考點，corr、heatmap、r 值判讀輪流出場。最常見的六種問法：① 給四段畫法選正確（本題——先算再畫＋色階）；② 問 r 的值域與正負意義（−1~1、負相關一樣有價值）；③ 問 vmin/vmax 或 annot 的作用（色階錨定、印數字）；④ 問直接餵原始 df 會怎樣（報錯或無意義色塊）；⑤ 給 r 值問強弱判讀（速查表）；⑥ 問「相關高是否代表因果」（不是——第三變數）。一句口訣：先算再畫、負一到一。
Pearson r 量的是兩個變數線性連動的方向與強度：r＝Σ(x−x̄)(y−ȳ) ÷ √Σ(x−x̄)²·√Σ(y−ȳ)²。分子是「共變」——x 高於平均時 y 也高於平均，乘積為正、累加變大；分母是兩邊各自的變動量，把單位除掉——所以 r 無單位、天生落在 −1~+1（把氣溫從 °C 換成 °F、r 一個位數都不動）。實跑手算氣溫↔冰飲＝0.8956，與 df.corr() 一字不差。三個地標：+1 完美同向直線、−1 完美反向直線、0 無線性關係。注意「線性」二字：U 形關係（例：氣溫 vs 用電——冷熱兩頭都開空調）的 r 可能接近 0——r 低不等於無關，先畫散點圖。
色階是熱力圖的「溫度計」——vmin/vmax 決定刻度兩端錨在哪。不設：seaborn 用資料的 min/max 當兩端——本頁會變成 −0.89~1.0：看似無害，但「深藍」的意義從此隨資料浮動——這張圖的深藍是 −0.89、下一張圖的深藍可能只是 −0.3，跨圖比較全毀。錨滿 −1~1：顏色變成絕對語言——任何一張相關熱力圖上，同一個顏色永遠代表同一個 r。錨錯（C 的 vmin=0）：低於 vmin 的值被裁到底端——Normalize 實測 −0.87 與 0.0 同色，12 格負相關集體隱形。三種設定三種世界——這題考的其實是「你知不知道自己在畫什麼刻度」。
兩層死法（實跑）。語法層：df 含店型字串欄——heatmap 要把每格轉成數字上色，遇到 '社區店' 當場 ValueError: could not convert string to float。語意層：就算全是數值欄、跑得動——畫出來是 200 列 × 5 欄的「原始值」色塊：每列是一天的日報、顏色是當天數值大小——色階 0.1~971 被來客（327~971）整欄佔滿，氣溫（9.1~38）壓在最底部幾乎同色（第 26 頁量級霸凌的視覺化版）。重點：這張圖沒有任何一格是「相關係數」——heatmap 從頭到尾沒算過相關，它只是把你給的數字塗色。「先算再畫」的「先算」就是這麼來的。
兩支函式回答完全不同的問題。df.corr()：兩兩數值欄的相關係數矩陣——方陣、對稱、對角線 1，天生就是 heatmap 的正餐。df.value_counts()：整個 df 的「各列組合出現了幾次」——回傳一維 Series（本頁 200 列日報幾乎不重複、實跑長度 200 全是 1）；它的主場是類別欄的分布盤點（第 3 頁的老朋友），跟「相關」毫無血緣。實跑下場：heatmap 需要二維矩陣、塞一維 Series 當場 IndexError: Inconsistent shape between the condition and the input。順帶考點：真想畫「兩個類別欄的次數熱力圖」——那是 pd.crosstab(df.店型, df.另一類別) 再 heatmap，跟 corr 是兩條路。
不能——這正是本頁內建的因果課。冰飲↔熱飲 r＝−0.7879 是真的（數學上），但兩者其實都被第三變數「氣溫」牽著走：氣溫↔冰飲 +0.8956、氣溫↔熱飲 −0.8868——天一熱，冰飲自己漲、熱飲自己跌，兩者互相沒動過手。驗證（實跑）：偏相關公式 r(冰飲,熱飲|氣溫)＝(r₁₂ − r₁₃r₂₃)/√(1−r₁₃²)(1−r₂₃²)＝+0.0308——把氣溫的影響扣掉，假相關完全蒸發。經典同款：冰淇淋銷量與溺水人數（都因夏天——本站相關與因果本尊頁）。判讀鐵則：熱力圖給「連動強度」、不給「誰造成誰」——要談因果得靠實驗設計（第 28 頁 A/B 測試的隨機分流正是為此而生）。
五個旋鈕一次盤點。annot=True：每格印出數值——讀圖不用猜色差（本題 A 的第二零件）；fmt='.2f'：annot 的位數格式——預設科學記號很醜、'.2f' 兩位小數剛好；cmap='coolwarm'：紅暖藍冷的雙向色盤——相關矩陣的天作之合（單向色盤如 viridis 分不出正負）；center=0：把色盤的「白」壓在 0 上——正負以白為界一眼分家（與 vmin/vmax 併用更穩）；mask=np.triu(np.ones_like(corr, bool))：布林遮罩蓋掉上三角——對稱矩陣看一半就夠，版面清爽、annot 不打架。面試版一行：sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', center=0, vmin=-1, vmax=1, mask=...)——考場寫 A 的版本就滿分，旋鈕是加分題。
四條線。「seaborn 二部曲」：第 16 頁 barplot（estimator 與分組長條、ax.patches 對帳）→ 本頁 heatmap（矩陣上色、色階錨定）——同庫兩圖語。「統計判讀左右手」：第 28 頁 t 檢定答「差異是不是運氣」（p）、本頁相關答「連動有多強」（r）——報表判讀的兩把尺；「相關不是因果」由 A/B 測試的隨機分流接手解決。「量級霸凌三連」：第 7 頁 wine、第 26 頁客戶分群、本頁 B′ 的原始值色塊——量級問題連視覺化都不放過。「不報錯的錯」：C 的 vmin=0——圖照畫、只是說謊；與第 27 頁「四選項零報錯」、第 28 頁 B/D 判讀錯同門，防身三招不變：驗值域、讀文件、對帳。