我有一个在seaborn中生成的对角相关矩阵。我想屏蔽掉 p 值大于 0.05 的那些。

这是我所拥有的https://i.stack.imgur.com/16Rky.jpg https://i.stack.imgur.com/16Rky.jpg

sns.set(style="white")
corr = result.corr()
print corr

mask = np.zeros_like(corr, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True
f, ax = plt.subplots(figsize=(11, 9))
sns_plot = sns.heatmap(result.corr(),mask=mask, annot=True, center=0, square=True, fmt=".1f", linewidths=.5, cmap="Greens")

非常感谢对此的任何帮助。 非常感谢

为了完整起见，这里是一个使用的解决方案scipy.stats.pearsonr (docs https://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.stats.pearsonr.html) 创建 p 值矩阵。创建布尔掩码以传递给seaborn（或另外与numpy结合使用）之后np.triu隐藏相关性的上三角）

def corr_sig(df=None):
    p_matrix = np.zeros(shape=(df.shape[1],df.shape[1]))
    for col in df.columns:
        for col2 in df.drop(col,axis=1).columns:
            _ , p = stats.pearsonr(df[col],df[col2])
            p_matrix[df.columns.to_list().index(col),df.columns.to_list().index(col2)] = p
    return p_matrix

p_values = corr_sig(df)
mask = np.invert(np.tril(p_values<0.05))
# note seaborn will hide correlation were the boolean value is True in the mask

完整流程及示例

首先创建一些样本数据（3 个相关变量；3 个不相关变量）：

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats

# Simulate 3  correlated variables
num_samples = 100
mu = np.array([5.0, 0.0, 10.0])
# The desired covariance matrix.
r = np.array([
        [  3.40, -2.75, -2.00],
        [ -2.75,  5.50,  1.50],
        [ -2.00,  1.50,  1.25]
    ])
y = np.random.multivariate_normal(mu, r, size=num_samples)
df = pd.DataFrame(y)
df.columns = ["Correlated1","Correlated2","Correlated3"]

# Create two random variables 
for i in range(2):
    df.loc[:,f"Uncorrelated{i}"] = np.random.randint(-2000,2000,len(df))

# To make sure that they are uncorrelated - add also a nearly invariant variables
df.loc[:,"Near Invariant"] = np.random.randint(-99,-95,num_samples)

绘图功能，方便使用
主要用于热图的修饰。

def plot_cor_matrix(corr, mask=None):
    f, ax = plt.subplots(figsize=(11, 9))
    sns.heatmap(corr, ax=ax,
                mask=mask,
                # cosmetics
                annot=True, vmin=-1, vmax=1, center=0,
                cmap='coolwarm', linewidths=2, linecolor='black', cbar_kws={'orientation': 'horizontal'})

具有所有相关性的示例数据的校正图
为了让您了解此示例相关矩阵中的相关性如何不过滤显着相关性（p 值

# Plotting without significance filtering
corr = df.corr()
mask = np.triu(corr)
plot_cor_matrix(corr,mask)
plt.show()

仅包含 Sig 的示例数据的 Corr.Plot。相关性最后绘制仅具有显着 p 值相关性的图 (alpha

# Plotting with significance filter
corr = df.corr()                            # get correlation
p_values = corr_sig(df)                     # get p-Value
mask = np.invert(np.tril(p_values<0.05))    # mask - only get significant corr
plot_cor_matrix(corr,mask)  

结论

而在第一个相关矩阵中有一些相关系数（r) 大于 .05 (按照OP评论中的建议进行过滤），这并不意味着 p 值显着。因此，区分p相关系数的值r.

我希望这个答案将来能够帮助其他人寻找一种方法来绘制与a的显着相关性sns.heatmap