Skip to content

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)。

Simpson's paradox

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