外觀
Statistics › 多變量分析 › 多變量 EDA
多變量探索性分析 (Multivariate EDA)
變數超過兩個時,直覺開始失靈:控制第三個變數後,兩變數的關係可能消失甚至反轉(Simpson's paradox)。建模前先了解所有變數的聯合結構。
相關矩陣、heatmap、pairplot 的基本用法見 雙變數分析;這裡著重多變量的延伸。
工具總覽
| 工具 | 看什麼 |
|---|---|
| 相關矩陣 heatmap | 所有變數兩兩的線性關係(r = 0 不代表無關) |
| Pairplot(依組上色) | 實際散布形狀、各組是否分得開、非線性 |
| 分組摘要 + 標準化 heatmap | 各組在哪些變數上不同 |
| 平行座標圖 (parallel coordinates) | 多變量「輪廓」與組間差異 |
| 叢集 heatmap (clustermap) | 樣本與變數同時分群,基因表現資料的標準圖 |
| PCA 散布圖 | 樣本在高維空間中的整體結構、批次效應、離群樣本 |
| Pairplot 型態 | 意義 |
|---|---|
| 不同顏色明顯分開 | 這組變數有判別力 |
| 沿直線緊密分布 | 強線性相關(冗餘) |
| 各組重疊 | 單靠這組變數分不開 |
| 對角線 KDE 雙峰 | 該變數在各組分布不同 |
| 彎曲形狀 | 非線性,相關係數會誤導 |
python
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from pandas.plotting import parallel_coordinates
from sklearn.datasets import load_iris
iris = load_iris(as_frame=True)
df = iris.frame.assign(species=pd.Categorical.from_codes(iris.target, iris.target_names))
num = df.select_dtypes("number").columns.drop("target")
# 1. 相關矩陣
sns.heatmap(df[num].corr(), annot=True, fmt=".2f", cmap="coolwarm", vmin=-1, vmax=1, center=0)
# 2. Pairplot(變數 > 8 個時用 vars= 挑選,或直接做 PCA)
sns.pairplot(df, vars=num, hue="species", diag_kind="kde")
# 3. 分組平均(先標準化才能跨變數比較)
gm = df.groupby("species", observed=True)[num].mean()
sns.heatmap((gm - gm.mean()) / gm.std(), annot=True, cmap="RdBu_r", center=0)
# 4. 平行座標(先縮放到 0–1)
norm = (df[num] - df[num].min()) / (df[num].max() - df[num].min())
parallel_coordinates(norm.assign(species=df["species"]), "species", alpha=0.4)
# 5. 叢集 heatmap:列與欄同時做階層式分群;z_score=1 對每欄標準化
sns.clustermap(df[num], z_score=1, cmap="vlag", row_colors=df["species"].map({"setosa": "C0", "versicolor": "C1", "virginica": "C2"}))
plt.show()共線性篩檢
建模前先找出高度相關的預測變數(|r| > 0.8 是警訊),再用 VIF 確認。VIF 的定義與對策見 多元線性迴歸。
python
corr = df[num].corr().abs()
upper = corr.where(np.triu(np.ones(corr.shape), k=1).astype(bool))
upper.stack().loc[lambda s: s > 0.8] # 列出 |r| > 0.8 的變數對Simpson's Paradox
整體資料呈現的關係,在分組後反轉或消失。
例:A 系課程較難,學生讀書時數多、但分數普遍較低;B 系相反。兩系內部「讀書時數 ↔ 分數」都是正相關,忽略科系合併來看卻變成負相關。科系同時影響讀書時數與分數,就是干擾因子 (confounder)。

python
import statsmodels.formula.api as smf
smf.ols("score ~ hours", data=d).fit().params # 忽略分組
smf.ols("score ~ hours + C(dept)", data=d).fit().params # 控制分組後下因果結論前先問:「有沒有第三個變數同時影響兩者?」生資常見的干擾因子:批次、定序深度、細胞組成、年齡、性別。見 干擾與偏誤。
建模前要回答的問題
| 問題 | 為什麼 |
|---|---|
| 哪些變數冗餘? | 共線性、可降維 |
| 哪些變數量尺不相容? | PCA、距離型方法需要標準化 |
| 哪些觀測只在組合下才異常? | 每個變數單看都正常的點,仍可能是多變量離群值(用 Mahalanobis 距離或 PCA 找) |
| 樣本是否依批次 / 時間聚集? | PCA 上若依批次分開而非依生物條件,先處理批次效應 |