01ภาพรวมของกราฟนี้
Correlation matrix วางค่าสหสัมพันธ์ของทุกคู่ตัวแปรไว้ในตารางแล้วระบายสีตามค่า จุดแข็งคือการคัดกรอง เมื่อมี 10 ตัวแปรจะมี 45 คู่ ซึ่งการดูทีละคู่ใช้เวลามาก แต่ตารางสีให้กวาดตาหาคู่ที่แรงได้ในไม่กี่วินาที
เปรียบเทียบให้เห็นภาพ
เหมือนตารางระยะทางระหว่างเมืองที่อยู่หลังแผนที่ เราหาคู่เมืองที่ใกล้กันได้เร็วโดยไม่ต้องวัดทีละคู่
ใช้ที่ไหนบ้าง — คัดกรองตัวแปรก่อนสร้างโมเดล ตรวจว่ามี feature ที่ซ้ำซ้อนกันไหม หรือสำรวจชุดข้อมูลใหม่ที่มีหลายคอลัมน์
สร้างอย่างไร
- ขั้นที่ 1คำนวณสหสัมพันธ์ของทุกคู่
- ขั้นที่ 2จัดเรียงตัวแปรให้กลุ่มที่สัมพันธ์กันอยู่ติดกัน
- ขั้นที่ 3ระบายสีแบบสองขั้วโดยให้ศูนย์เป็นเทา
- ขั้นที่ 4ติดตัวเลขในช่องเมื่อมีที่พอ
ตัวอย่างคลาสสิก · Correlogram ในการสำรวจชุดข้อมูลก่อนสร้างโมเดล
ขั้นตอนมาตรฐานของงาน data science คือคำนวณตารางสหสัมพันธ์ก่อนเลือก feature เพื่อหาคู่ที่ซ้ำซ้อนกัน แต่ Anscombe แสดงไว้แล้วว่าชุดข้อมูลที่มีสหสัมพันธ์เท่ากันอาจมีรูปร่างต่างกันสุดขั้ว ตารางจึงเป็นแค่จุดเริ่มต้นของการสำรวจเท่านั้น
02อธิบายภาษาคนเข้าใจง่าย ๆ
เมื่อชุดข้อมูลมี 10 คอลัมน์ตัวเลข จะมีคู่ที่ต้องดู 45 คู่ การวาด scatter plot ทั้งหมดใช้พื้นที่มากและใช้เวลานาน
Correlation matrix ย่อแต่ละคู่ให้เหลือตัวเลขเดียวคือค่าสหสัมพันธ์ แล้ววางในตาราง ระบายสีตามค่า ทำให้กวาดตาหาคู่ที่แรงได้ทันที
เรื่องสีมีกติกาเข้มงวด ต้องใช้สองขั้วที่รู้สึกตรงข้ามกันโดยให้ค่าศูนย์เป็นสีเทา เพราะสหสัมพันธ์บวกกับลบเป็นคนละเรื่อง และ "ไม่สัมพันธ์กัน" ควรจางที่สุด
ข้อจำกัดใหญ่ที่ต้องรู้คือค่าสหสัมพันธ์แบบเพียร์สันวัดได้แค่ความสัมพันธ์เชิงเส้น ถ้าสองตัวแปรสัมพันธ์กันแบบโค้งเป็นรูปตัวยู ค่าที่ได้จะเป็นศูนย์ทั้งที่มีความสัมพันธ์ชัดเจน
ด้วยเหตุนี้ ตารางสหสัมพันธ์จึงเป็นเครื่องมือคัดกรอง ไม่ใช่ข้อสรุป หลังจากหาคู่ที่น่าสนใจได้แล้วต้องกลับไปวาด scatter plot ของคู่นั้นเสมอเพื่อดูว่าความสัมพันธ์หน้าตาอย่างไรจริง ๆ
03ข้อมูลที่ต้องใช้
คอลัมน์ที่ต้องเตรียม
| คอลัมน์ | ทำหน้าที่ | ชนิด | เข้ารหัสด้วย | จำนวนค่าที่เหมาะ | หมายเหตุ |
|---|---|---|---|---|---|
row | ตัวแปรแถว | หมวดหมู่ | y | 3–20 ตัวแปร | เกิน 20 ตัวแปรช่องจะเล็กเกินอ่าน |
col | ตัวแปรคอลัมน์ | หมวดหมู่ | x | เท่ากับจำนวนแถว | ชุดเดียวกับแถว |
corr | ค่าสหสัมพันธ์ | ตัวเลขต่อเนื่อง | color | -1 ถึง 1 | ต้องใช้สีสองขั้วที่มีเทาตรงกลาง |
ต้องเตรียมข้อมูลอย่างไรก่อนวาด
- คำนวณสหสัมพันธ์ของทุกคู่
- จัดเรียงตัวแปรด้วยการจัดกลุ่ม เพื่อให้กลุ่มที่สัมพันธ์กันอยู่ติดกัน
- ตัดสินใจว่าจะแสดงครึ่งเดียวหรือเต็มตาราง
ค่าที่หายไป — คู่ที่คำนวณไม่ได้เพราะข้อมูลไม่พอต้องแสดงเป็นช่องว่างที่ต่างจากศูนย์ชัดเจน เพราะ "ไม่สัมพันธ์กัน" กับ "คำนวณไม่ได้" คนละเรื่อง
สเกลของแกน — สเกลสีต้องสมมาตรรอบศูนย์ที่ -1 ถึง 1 เสมอ การปรับช่วงตามข้อมูลจะทำให้เทียบข้ามตารางไม่ได้
กราฟจะเริ่มพังเมื่อไร
เกิน 20 ตัวแปร ช่องจะเล็กจนติดตัวเลขไม่ได้และอ่านชื่อยาก
หน้าตาไฟล์ที่ต้องเตรียม
row,col,corr
ยอดขาย,ยอดขาย,1
ยอดขาย,งบโฆษณา,0.62
…04อ่านแล้วเห็นอะไร
สิ่งที่เห็นได้จากภาพ
- คู่ตัวแปรที่สัมพันธ์กันแรงที่สุด
- กลุ่มตัวแปรที่สัมพันธ์กันเองเป็นก้อน
- ตัวแปรที่ไม่สัมพันธ์กับอะไรเลย
สิ่งที่กราฟนี้ตอบไม่ได้
- ★ วัดได้แค่ความสัมพันธ์เชิงเส้น — ความสัมพันธ์แบบโค้งจะให้ค่าใกล้ศูนย์ทั้งที่มีอยู่จริง
- ไม่บอกว่าความสัมพันธ์มาจากค่าผิดปกติไม่กี่จุดหรือจากข้อมูลทั้งชุด
- ไม่บอกเหตุและผล
อ่านตามลำดับนี้
- มองหาช่องที่สีเข้มที่สุดทั้งสองขั้ว
- ดูว่ามีกลุ่มช่องเข้มที่เกาะกันเป็นบล็อกไหม
- ข้ามเส้นทแยงมุมไปเพราะเป็น 1 เสมอ
คำถามที่ตอบได้
- ตัวแปรไหนซ้ำซ้อนกัน
- มีกลุ่มตัวแปรที่วัดเรื่องเดียวกันไหม
- ตัวแปรไหนสัมพันธ์กับผลลัพธ์มากที่สุด
สัญญาณว่ามีอะไรผิด
- ใช้สีเฉดเดียวแทนสองขั้ว ทำให้แยกบวกกับลบไม่ออก
- สเกลสีไม่สมมาตรรอบศูนย์
- ไม่จัดเรียงตัวแปร ทำให้กลุ่มที่เกาะกันมองไม่เห็น
05เหมาะกับการนำเสนอแบบไหน
ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย
- ติดตัวเลขในช่องเมื่อมีที่พอ เพราะสีอ่านค่าได้หยาบ
- แสดงครึ่งเดียวของตารางเพราะอีกครึ่งซ้ำ
- เขียนว่าใช้สหสัมพันธ์แบบไหน เช่น เพียร์สันหรือสเปียร์แมน
รูปแบบชื่อกราฟที่ควรใช้
<ตัวแปร> กับ <ตัวแปร> สัมพันธ์กันแรงที่สุดที่ r = <ค่า>
06เอาไปใช้ต่อ
โค้ดทุกชิ้นอ่านไฟล์ correlation-matrix-sample.csv ชุดเดียวกับที่ Playground ใช้ และตัวเลขในโค้ดเปลี่ยนตามค่าที่คุณปรับด้านล่าง
# ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*"
# ดาวน์โหลด correlation-matrix-sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์
import matplotlib
matplotlib.use("Agg") # รันแบบไม่มีหน้าจอ ถ้ารันในเครื่องตัวเองลบบรรทัดนี้ได้
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
C1, C2, C3 = "#2a78d6", "#eb6834", "#1baf7a" # palette ของคลัง เปลี่ยนเป็นสีองค์กรได้
INK, SURFACE = "#0b0b0b", "#fcfcfb"
df = pd.read_csv("correlation-matrix-sample.csv")
df["corr"] = pd.to_numeric(df["corr"], errors="coerce")
NOTE = "blocks" # ← ค่าจาก Playground
fig, ax = plt.subplots(figsize=(7.6, 4.2), facecolor=SURFACE)
ax.set_facecolor(SURFACE)
pivot = df.pivot(index="row", columns="col", values="corr")
mask = np.triu(np.ones_like(pivot, dtype=bool), k=1) # แสดงครึ่งเดียว เพราะอีกครึ่งซ้ำ
data = np.where(mask, np.nan, pivot.to_numpy())
im = ax.imshow(data, cmap="RdBu_r", vmin=-1, vmax=1) # สเกลสมมาตรรอบศูนย์เสมอ
ax.set_xticks(range(len(pivot.columns))); ax.set_xticklabels(pivot.columns, rotation=40, ha="right", fontsize=8)
ax.set_yticks(range(len(pivot.index))); ax.set_yticklabels(pivot.index, fontsize=8)
for i in range(len(pivot.index)):
for j in range(i + 1):
ax.text(j, i, f"{pivot.iloc[i, j]:.2f}", ha="center", va="center", fontsize=7.5)
fig.colorbar(im, ax=ax, shrink=0.7, label="สหสัมพันธ์ (เพียร์สัน)")
ax.spines[["top", "right"]].set_visible(False) # ลดเส้นที่ไม่ได้ให้ข้อมูล
fig.tight_layout()
fig.savefig("correlation-matrix.png", dpi=160)
print("เขียน correlation-matrix.png แล้ว ·", len(df), "แถว")07ลองเล่นเพื่อเข้าใจ
ค่าบนเส้นทแยงมุมเป็น 1 เสมอ ไม่ได้ให้ข้อมูลอะไร — ครึ่งบนกับครึ่งล่างก็ซ้ำกัน
ดูข้อมูลเป็นตาราง (25 แถว)
| แถว | คอลัมน์ | ค่า |
|---|---|---|
| ยอดขาย | ยอดขาย | 1.00 |
| ยอดขาย | งบโฆษณา | 0.62 |
| ยอดขาย | จำนวนสาขา | 0.64 |
| ยอดขาย | ราคาเฉลี่ย | 0.29 |
| ยอดขาย | คะแนนรีวิว | -0.20 |
| งบโฆษณา | ยอดขาย | 0.62 |
| งบโฆษณา | งบโฆษณา | 1.00 |
| งบโฆษณา | จำนวนสาขา | 0.22 |
| งบโฆษณา | ราคาเฉลี่ย | 0.11 |
| งบโฆษณา | คะแนนรีวิว | 0.41 |
| จำนวนสาขา | ยอดขาย | 0.64 |
| จำนวนสาขา | งบโฆษณา | 0.22 |
| จำนวนสาขา | จำนวนสาขา | 1.00 |
| จำนวนสาขา | ราคาเฉลี่ย | -0.52 |
| จำนวนสาขา | คะแนนรีวิว | 0.14 |
| ราคาเฉลี่ย | ยอดขาย | 0.29 |
| ราคาเฉลี่ย | งบโฆษณา | 0.11 |
| ราคาเฉลี่ย | จำนวนสาขา | -0.52 |
| ราคาเฉลี่ย | ราคาเฉลี่ย | 1.00 |
| ราคาเฉลี่ย | คะแนนรีวิว | -0.40 |
| คะแนนรีวิว | ยอดขาย | -0.20 |
| คะแนนรีวิว | งบโฆษณา | 0.41 |
| คะแนนรีวิว | จำนวนสาขา | 0.14 |
| คะแนนรีวิว | ราคาเฉลี่ย | -0.40 |
| คะแนนรีวิว | คะแนนรีวิว | 1.00 |
ลองแล้วจะเห็นอะไร
- สังเกตอะไร: สังเกตว่าเส้นทแยงมุมเป็น 1 ทั้งหมดและครึ่งบนกับครึ่งล่างซ้ำกัน — ข้อมูลจริงมีแค่ครึ่งเดียวของตาราง
ข้อควรระวัง
- ★ ลืมว่าค่าสหสัมพันธ์วัดได้แค่ความสัมพันธ์เชิงเส้น แล้วสรุปว่าคู่ที่ค่าใกล้ศูนย์ไม่เกี่ยวข้องกัน
- ใช้สีเฉดเดียวแทนสองขั้ว ทำให้แยกสหสัมพันธ์บวกกับลบไม่ออก
- ปรับสเกลสีตามข้อมูลแทนที่จะตรึงไว้ที่ -1 ถึง 1 ทำให้เทียบข้ามตารางไม่ได้
- ไม่จัดเรียงตัวแปร ทำให้กลุ่มที่สัมพันธ์กันกระจายอยู่และมองไม่เห็นเป็นบล็อก
- สรุปจากตารางโดยไม่กลับไปดู scatter plot ของคู่ที่น่าสนใจ
เมื่อไหร่ไม่ควรใช้กราฟนี้
- มีตัวแปรน้อยกว่า 4 ตัว→ใช้แทน: scatter-matrix ที่แสดงรูปร่างจริง
- ต้องการเห็นรูปร่างของความสัมพันธ์→ใช้แทน: scatter-matrix
- ความสัมพันธ์อาจไม่เป็นเส้นตรง→ใช้แทน: scatter-matrix หรือใช้สหสัมพันธ์แบบอันดับควบคู่