Mapas de calor para matrices de correlación

Una matriz de correlación es una tabla cuadrada en la que la entrada (i, j) contiene el coeficiente de correlación de Pearson entre la columna i y la columna j. Los valores van de -1 (correlación lineal negativa perfecta) a +1 (positiva perfecta), mientras que 0 indica que no existe una relación lineal. La diagonal siempre es 1 (una variable está perfectamente correlacionada consigo misma). Las matrices de correlación son el primer paso para comprender qué variables varían conjuntamente antes de crear un modelo.

Llame a DataFrame.corr() para calcular las correlaciones de Pearson por pares para todas las columnas numéricas. El parámetro method controla qué correlación se calcula: 'pearson' (predeterminada, lineal), 'spearman' (basada en rangos, robusta frente a valores atípicos y relaciones monótonas no lineales) o 'kendall'. Para datos financieros o de conteo asimétricos, Spearman suele ser más informativa que Pearson.

sns.heatmap(data) recibe una matriz 2D o un DataFrame y lo representa como una cuadrícula de colores; el color de cada celda codifica su valor numérico. Al aplicarlo a una matriz de correlación, los colores cálidos (rojo) suelen representar una correlación positiva y los fríos (azul), una negativa. El parámetro annot=True imprime el valor numérico dentro de cada celda, lo cual es esencial para leer correctamente un mapa de calor de correlación.

Para las matrices de correlación, utilice siempre un mapa de colores divergente centrado en cero: cmap='coolwarm', 'RdBu_r' o 'vlag'. Estos mapas utilizan un color para los valores positivos, otro para los negativos y un punto medio neutro en cero. Evite los mapas de colores secuenciales (como 'Blues') para los datos de correlación, porque impiden distinguir visualmente las correlaciones positivas de las negativas. Establezca vmin=-1, vmax=1 para fijar la escala de colores en todo el rango de correlación.

Como una matriz de correlación es simétrica (corr[i,j] == corr[j,i]), mostrar ambas mitades es redundante. Utilice np.triu para crear una máscara del triángulo superior y pásela mediante mask= a sns.heatmap. Esto reduce a la mitad el número de celdas, haciendo que el gráfico esté menos recargado y sea más fácil de leer. Los valores de la diagonal (todos 1.0) también se pueden enmascarar, ya que no aportan información.

Controle el formato de las anotaciones con fmt= (por ejemplo, '.2f' para dos decimales) y el tamaño de la fuente con annot_kws={'size': 10}. El parámetro linewidths añade líneas finas entre las celdas, lo que facilita la lectura de matrices grandes. Utilice square=True para forzar que las celdas sean cuadradas independientemente de las dimensiones de la figura, lo que proporciona a los mapas de calor un aspecto limpio y equilibrado.

sns.clustermap() reordena las filas y las columnas mediante una agrupación jerárquica para reunir las variables con patrones de correlación similares. Esto facilita mucho la identificación de bloques de características correlacionadas en matrices grandes. El dendrograma de los ejes superior e izquierdo muestra el árbol de agrupación. Utilice method='ward' y metric='euclidean' como valores predeterminados razonables para la agrupación basada en correlaciones.

Los mapas de calor no se limitan a las matrices de correlación: cualquier tabla numérica 2D se beneficia de la codificación mediante colores. Un patrón habitual consiste en calcular una tabla dinámica (por ejemplo, la propina media por día y hora) y visualizarla después como un mapa de calor. Esto transforma una tabla densa de números en una cuadrícula de colores que se puede examinar rápidamente, donde los valores más altos y más bajos destacan visualmente.

Al interpretar las correlaciones, utilice estas referencias aproximadas: |r| < 0.2 = insignificante, 0.2-0.4 = débil, 0.4-0.6 = moderada, 0.6-0.8 = fuerte, > 0.8 = muy fuerte. Sin embargo, la correlación no informa sobre la causalidad y puede ser espuria (una correlación casual debida a una tercera variable de confusión). Combine siempre el análisis numérico de correlación con gráficos de dispersión para verificar que la relación sea realmente lineal y no esté determinada por valores atípicos.

En los DataFrames con muchas columnas, un mapa de calor de correlación completo resulta ilegible. Un enfoque mejor consiste en filtrar la matriz de correlación para mostrar solo los pares con |r| por encima de un umbral (por ejemplo, 0.5), o seleccionar únicamente las características más correlacionadas con una variable objetivo. También puede seleccionar subconjuntos por dominio; por ejemplo, representar por separado las correlaciones entre métricas financieras y las correlaciones entre métricas operativas en un conjunto de datos empresarial.

Los mapas de calor suelen incluirse en informes y presentaciones. Llame a plt.savefig('filename.png', dpi=150, bbox_inches='tight') después de crear el mapa de calor para guardarlo. El argumento bbox_inches='tight' evita que las etiquetas de los ejes se recorten. Para informes en PDF, utilice format='pdf'. Al usar sns.clustermap, la figura se almacena en el objeto devuelto: g = sns.clustermap(...); g.savefig('plot.png').

En esta lección ha aprendido que DataFrame.corr() calcula correlaciones por pares; sns.heatmap las representa como una cuadrícula de colores con mapas divergentes y anotaciones; y el enmascaramiento del triángulo superior elimina la redundancia. A continuación, exploraremos el proceso completo de análisis exploratorio de datos: una lista de comprobación sistemática para crear el perfil de cualquier conjunto de datos nuevo.