เทคนิคที่ 047 · PYTHON / JAVASCRIPT

เมทริกซ์สหสัมพันธ์Correlation Matrix

หาคู่ตัวแปรที่สัมพันธ์กันแรงจากตารางเดียว

3
ผสานหลายแนวคิดควรรู้ก่อน · รู้จักค่าสหสัมพันธ์
ลองเล่น

01ภาพรวมของกราฟนี้

Correlation matrix วางค่าสหสัมพันธ์ของทุกคู่ตัวแปรไว้ในตารางแล้วระบายสีตามค่า จุดแข็งคือการคัดกรอง เมื่อมี 10 ตัวแปรจะมี 45 คู่ ซึ่งการดูทีละคู่ใช้เวลามาก แต่ตารางสีให้กวาดตาหาคู่ที่แรงได้ในไม่กี่วินาที

เปรียบเทียบให้เห็นภาพ

เหมือนตารางระยะทางระหว่างเมืองที่อยู่หลังแผนที่ เราหาคู่เมืองที่ใกล้กันได้เร็วโดยไม่ต้องวัดทีละคู่

ใช้ที่ไหนบ้าง — คัดกรองตัวแปรก่อนสร้างโมเดล ตรวจว่ามี feature ที่ซ้ำซ้อนกันไหม หรือสำรวจชุดข้อมูลใหม่ที่มีหลายคอลัมน์

สร้างอย่างไร

  1. ขั้นที่ 1คำนวณสหสัมพันธ์ของทุกคู่
  2. ขั้นที่ 2จัดเรียงตัวแปรให้กลุ่มที่สัมพันธ์กันอยู่ติดกัน
  3. ขั้นที่ 3ระบายสีแบบสองขั้วโดยให้ศูนย์เป็นเทา
  4. ขั้นที่ 4ติดตัวเลขในช่องเมื่อมีที่พอ

ตัวอย่างคลาสสิก · Correlogram ในการสำรวจชุดข้อมูลก่อนสร้างโมเดล

ขั้นตอนมาตรฐานของงาน data science คือคำนวณตารางสหสัมพันธ์ก่อนเลือก feature เพื่อหาคู่ที่ซ้ำซ้อนกัน แต่ Anscombe แสดงไว้แล้วว่าชุดข้อมูลที่มีสหสัมพันธ์เท่ากันอาจมีรูปร่างต่างกันสุดขั้ว ตารางจึงเป็นแค่จุดเริ่มต้นของการสำรวจเท่านั้น

Wikipedia · Correlogram ↗

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

รูปทรงของข้อมูลเมทริกซ์สองทาง
จำนวนมิติที่เข้ารหัสได้3 มิติ
จำนวนแถวที่เหมาะ4–12 ตัวแปรขั้นต่ำ 9 แถว
เส้นฐานศูนย์ไม่เกี่ยวข้องค่าเข้ารหัสด้วยสี ไม่ใช่ความยาว แต่จุดกลางของสีต้องอยู่ที่ศูนย์เสมอ

คอลัมน์ที่ต้องเตรียม

คอลัมน์ทำหน้าที่ชนิดเข้ารหัสด้วยจำนวนค่าที่เหมาะหมายเหตุ
rowตัวแปรแถวหมวดหมู่y3–20 ตัวแปรเกิน 20 ตัวแปรช่องจะเล็กเกินอ่าน
colตัวแปรคอลัมน์หมวดหมู่xเท่ากับจำนวนแถวชุดเดียวกับแถว
corrค่าสหสัมพันธ์ตัวเลขต่อเนื่องcolor-1 ถึง 1ต้องใช้สีสองขั้วที่มีเทาตรงกลาง

ต้องเตรียมข้อมูลอย่างไรก่อนวาด

  1. คำนวณสหสัมพันธ์ของทุกคู่
  2. จัดเรียงตัวแปรด้วยการจัดกลุ่ม เพื่อให้กลุ่มที่สัมพันธ์กันอยู่ติดกัน
  3. 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

  1. มองหาช่องที่สีเข้มที่สุดทั้งสองขั้ว
  2. ดูว่ามีกลุ่มช่องเข้มที่เกาะกันเป็นบล็อกไหม
  3. ข้ามเส้นทแยงมุมไปเพราะเป็น 1 เสมอ

คำถามที่ตอบได้

  • ตัวแปรไหนซ้ำซ้อนกัน
  • มีกลุ่มตัวแปรที่วัดเรื่องเดียวกันไหม
  • ตัวแปรไหนสัมพันธ์กับผลลัพธ์มากที่สุด

สัญญาณว่ามีอะไรผิด

  • ใช้สีเฉดเดียวแทนสองขั้ว ทำให้แยกบวกกับลบไม่ออก
  • สเกลสีไม่สมมาตรรอบศูนย์
  • ไม่จัดเรียงตัวแปร ทำให้กลุ่มที่เกาะกันมองไม่เห็น

05เหมาะกับการนำเสนอแบบไหน

ผู้ชมที่เหมาะนักวิเคราะห์ที่กำลังสำรวจชุดข้อมูลใหม่
เวลาที่ผู้ชมต้องใช้ต้องเรียนรู้ก่อน
ขนาดเล็กสุดที่ยังอ่านได้340×340 px
รายงานเชิงวิเคราะห์
สำรวจข้อมูลด้วยตัวเอง
สิ่งพิมพ์
สไลด์ผู้บริหารเป็นเครื่องมือคัดกรองระหว่างวิเคราะห์ ไม่ใช่ข้อสรุปที่จะนำเสนอ
สื่อสารกับคนทั่วไปผู้อ่านทั่วไปไม่รู้จักค่าสหสัมพันธ์

ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย

  1. ติดตัวเลขในช่องเมื่อมีที่พอ เพราะสีอ่านค่าได้หยาบ
  2. แสดงครึ่งเดียวของตารางเพราะอีกครึ่งซ้ำ
  3. 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")

ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*" · ทดสอบกับเวอร์ชัน 3.10

07ลองเล่นเพื่อเข้าใจ

ข้อมูลตัวอย่าง · 25 แถว · seed 181● คำนวณใหม่ในเบราว์เซอร์ทันทีที่ปรับค่า
กลุ่มช่องเข้มที่ติดกันคือกลุ่มตัวแปรที่วัดเรื่องเดียวกัน
ยอดขายงบโฆษณาจำนวนสาขาราคาเฉลี่ยคะแนนรีวิวยอดขายงบโฆษณาจำนวนสาขาราคาเฉลี่ยคะแนนรีวิวยอดขาย × ยอดขาย · 1.001.00ยอดขาย × งบโฆษณา · 0.620.62ยอดขาย × จำนวนสาขา · 0.640.64ยอดขาย × ราคาเฉลี่ย · 0.290.29ยอดขาย × คะแนนรีวิว · -0.20-0.20งบโฆษณา × ยอดขาย · 0.620.62งบโฆษณา × งบโฆษณา · 1.001.00งบโฆษณา × จำนวนสาขา · 0.220.22งบโฆษณา × ราคาเฉลี่ย · 0.110.11งบโฆษณา × คะแนนรีวิว · 0.410.41จำนวนสาขา × ยอดขาย · 0.640.64จำนวนสาขา × งบโฆษณา · 0.220.22จำนวนสาขา × จำนวนสาขา · 1.001.00จำนวนสาขา × ราคาเฉลี่ย · -0.52-0.52จำนวนสาขา × คะแนนรีวิว · 0.140.14ราคาเฉลี่ย × ยอดขาย · 0.290.29ราคาเฉลี่ย × งบโฆษณา · 0.110.11ราคาเฉลี่ย × จำนวนสาขา · -0.52-0.52ราคาเฉลี่ย × ราคาเฉลี่ย · 1.001.00ราคาเฉลี่ย × คะแนนรีวิว · -0.40-0.40คะแนนรีวิว × ยอดขาย · -0.20-0.20คะแนนรีวิว × งบโฆษณา · 0.410.41คะแนนรีวิว × จำนวนสาขา · 0.140.14คะแนนรีวิว × ราคาเฉลี่ย · -0.40-0.40คะแนนรีวิว × คะแนนรีวิว · 1.001.00

ค่าบนเส้นทแยงมุมเป็น 1 เสมอ ไม่ได้ให้ข้อมูลอะไร — ครึ่งบนกับครึ่งล่างก็ซ้ำกัน

คู่ที่สัมพันธ์แรงสุดยอดขาย × ยอดขาย
ค่าแรงสุด1.00
ขนาดเมทริกซ์5 × 5
ดูข้อมูลเป็นตาราง (25 แถว)
เมทริกซ์ความร้อน 5 × 5 ช่อง
แถวคอลัมน์ค่า
ยอดขายยอดขาย1.00
ยอดขายงบโฆษณา0.62
ยอดขายจำนวนสาขา0.64
ยอดขายราคาเฉลี่ย0.29
ยอดขายคะแนนรีวิว-0.20
งบโฆษณายอดขาย0.62
งบโฆษณางบโฆษณา1.00
งบโฆษณาจำนวนสาขา0.22
งบโฆษณาราคาเฉลี่ย0.11
งบโฆษณาคะแนนรีวิว0.41
จำนวนสาขายอดขาย0.64
จำนวนสาขางบโฆษณา0.22
จำนวนสาขาจำนวนสาขา1.00
จำนวนสาขาราคาเฉลี่ย-0.52
จำนวนสาขาคะแนนรีวิว0.14
ราคาเฉลี่ยยอดขาย0.29
ราคาเฉลี่ยงบโฆษณา0.11
ราคาเฉลี่ยจำนวนสาขา-0.52
ราคาเฉลี่ยราคาเฉลี่ย1.00
ราคาเฉลี่ยคะแนนรีวิว-0.40
คะแนนรีวิวยอดขาย-0.20
คะแนนรีวิวงบโฆษณา0.41
คะแนนรีวิวจำนวนสาขา0.14
คะแนนรีวิวราคาเฉลี่ย-0.40
คะแนนรีวิวคะแนนรีวิว1.00

ลองแล้วจะเห็นอะไร

  • สังเกตอะไร: สังเกตว่าเส้นทแยงมุมเป็น 1 ทั้งหมดและครึ่งบนกับครึ่งล่างซ้ำกัน — ข้อมูลจริงมีแค่ครึ่งเดียวของตาราง

ข้อควรระวัง

  1. ★ ลืมว่าค่าสหสัมพันธ์วัดได้แค่ความสัมพันธ์เชิงเส้น แล้วสรุปว่าคู่ที่ค่าใกล้ศูนย์ไม่เกี่ยวข้องกัน
  2. ใช้สีเฉดเดียวแทนสองขั้ว ทำให้แยกสหสัมพันธ์บวกกับลบไม่ออก
  3. ปรับสเกลสีตามข้อมูลแทนที่จะตรึงไว้ที่ -1 ถึง 1 ทำให้เทียบข้ามตารางไม่ได้
  4. ไม่จัดเรียงตัวแปร ทำให้กลุ่มที่สัมพันธ์กันกระจายอยู่และมองไม่เห็นเป็นบล็อก
  5. สรุปจากตารางโดยไม่กลับไปดู scatter plot ของคู่ที่น่าสนใจ

เมื่อไหร่ไม่ควรใช้กราฟนี้

  • มีตัวแปรน้อยกว่า 4 ตัว→ใช้แทน: scatter-matrix ที่แสดงรูปร่างจริง
  • ต้องการเห็นรูปร่างของความสัมพันธ์→ใช้แทน: scatter-matrix
  • ความสัมพันธ์อาจไม่เป็นเส้นตรง→ใช้แทน: scatter-matrix หรือใช้สหสัมพันธ์แบบอันดับควบคู่

กราฟที่เกี่ยวข้อง

เทคนิคถัดไป · เมทริกซ์แผนภาพกระจาย