Podręcznik uczestnika z objaśnieniami, przykładami i ćwiczeniami do samodzielnej nauki

7. Zależności i mapy ciepła

Wykres punktowy pokazuje pary wartości. Jeden punkt W06 łączy temperaturę i drgania z tego samego rekordu. Nie sortuj obu kolumn osobno przed rysowaniem: zniszczyłoby to rzeczywiste pary i mogło stworzyć sztuczną zależność. Braki usuwaj tylko z pól potrzebnych w danym porównaniu.

W06 temperatura i drgania

pary = df[["urzadzenie", "temperatura", "drgania"]].dropna()
r_pelny = pary["temperatura"].corr(pary["drgania"])
assert len(pary) == 720
skrajny = pary.loc[pary["drgania"].idxmax()]
 
fig, ax = plt.subplots(figsize=(10, 5), layout="constrained")
ax.scatter(pary["temperatura"], pary["drgania"],
           s=24, alpha=0.4, color="#1F4E79", edgecolors="none")
ax.annotate(
    "U-05: 4,850 mm/s\nwartość do sprawdzenia",
    xy=(skrajny["temperatura"], skrajny["drgania"]),
    xytext=(54, 3.8), fontsize=11,
    arrowprops={"arrowstyle": "->", "color": "#A64824"}
)
ax.set(xlabel="Temperatura [°C]", ylabel="Drgania [mm/s]",
       title=f"Dodatnia zależność w całym zbiorze: r = {r_pelny:.3f}")
ax.text(0.02, 0.96, f"n = {len(pary)} kompletnych par",
        transform=ax.transAxes, va="top", fontsize=11)
ax.grid(alpha=0.2)
ax.set_axisbelow(True)
zapisz(fig, "M4_W06_temperatura_drgania.png")

Parametr s określa pole znacznika w jednostkach punktów typograficznych do kwadratu. Wszystkie znaczniki mają tu taki sam rozmiar, więc rozmiar nie oznacza trzeciej zmiennej. Przezroczystość alpha ułatwia zobaczenie zagęszczeń, gdy punkty się nakładają. Nie pozwala jednak dokładnie policzyć wszystkich obserwacji na obrazie.

Korelacja to opis współzmienności

Współczynnik Pearsona r opisuje kierunek i siłę zależności liniowej. Wynosi od −1 do 1, ale wartość bliska zeru nie wyklucza zależności nieliniowej. Dodatnie r nie dowodzi, że wzrost temperatury powoduje wzrost drgań. Wspólne zmiany mogą wynikać z innych warunków, różnic urządzeń lub struktury zbioru.

Wynik globalny miesza pomiary wielu urządzeń i wielokrotne obserwacje tych samych urządzeń. To użyteczny sygnał do dalszego oglądania danych, a nie gotowy model przyczynowy lub podstawa diagnozy technicznej.

Jak czytać chmurę punktów

720 par temperatury i drgań tworzy chmurę o dodatnim kierunku. Korelacja Pearsona wynosi około 0,644. Jeden pomiar U-05 ma temperaturę 62,72 stopnia Celsjusza i drgania 4,850 mm/s; pozostaje widoczny i jest oznaczony do sprawdzenia.

Rysunek 6. Temperatura i drgania w 720 kompletnych parach, 1.01–14.02.2026. Źródło: pomiary_clean.csv. Globalna korelacja Pearsona r ≈ 0,644; punkt 4,850 mm/s zachowany. Wynik nie oznacza związku przyczynowego.

Sprawdzenie wrażliwości bez zmiany źródła

Porównanie wyniku z pojedynczym skrajnym punktem i bez niego pokazuje wrażliwość miary. Nie jest pozwoleniem na usunięcie niewygodnego pomiaru z danych ani wybór „ładniejszej” korelacji do publikacji.

wariant = pary.drop(index=pary["drgania"].idxmax())
r_wariant = wariant["temperatura"].corr(wariant["drgania"])
print(len(pary), r_pelny, len(wariant), r_wariant)
r_grupy = pd.DataFrame([
    {"urzadzenie": u, "n": len(g),
     "r": g["temperatura"].corr(g["drgania"])}
    for u, g in pary.groupby("urzadzenie", observed=True)
])
display(r_grupy)

Wariant obejmuje 719 par i daje r ≈ 0,817, podczas gdy pełny zbiór daje około 0,644. W grupach urządzeń r wynosi w przybliżeniu od 0,102 do 0,778, przy n = 90. Różne poziomy analizy prowadzą do różnych opisów. Do końcowego W06 zachowujemy pełne dane i jawnie wskazujemy ograniczenia.

Mapa korelacji jako narzędzie diagnostyczne

Mapa ciepła pozwala przeglądać wiele par na raz. Dla korelacji używamy skali rozbieżnej o stałych granicach od −1 do 1 i neutralnym środku w zerze. Dzięki temu ten sam kolor nie oznacza innej wartości na każdej kolejnej mapie. Wartości liczbowe uzupełniają barwy.

miary = ["temperatura", "drgania", "energia", "produkcja"]
etykiety_miar = ["Temperatura", "Drgania", "Energia", "Produkcja"]
korelacje = df[miary].corr(method="pearson")
obecne = df[miary].notna().astype("int64")
n_par = obecne.T.dot(obecne)
display(korelacje.round(3))
display(n_par)
 
fig, ax = plt.subplots(figsize=(8, 5), layout="constrained")
obraz = ax.imshow(korelacje, cmap="BrBG", vmin=-1, vmax=1)
ax.set_xticks(range(4), etykiety_miar, rotation=25, ha="right")
ax.set_yticks(range(4), etykiety_miar)
for i in range(4):
    for j in range(4):
        wartosc = korelacje.iloc[i, j]
        ax.text(j, i, f"{wartosc:.3f}", ha="center", va="center",
                color="white" if abs(wartosc) > 0.75 else "black")
fig.colorbar(obraz, ax=ax, label="Korelacja Pearsona r")
ax.set_title("Korelacje pomagają wybrać pary do sprawdzenia")
zapisz(fig, "M4_macierz_korelacji.png")

Pandas oblicza korelację z dostępnych par dla każdej pary kolumn oddzielnie. Dlatego obok r potrzebujesz macierzy n. W temperaturze i drganiach jest 720 wspólnych wartości, lecz w energii i produkcji tylko 717. Usunięcie wszystkich wierszy z dowolnym brakiem przed obliczeniem całej macierzy byłoby inną strategią i wymagałoby uzasadnienia.

Jeżeli kolumna jest stała albo ma za mało dostępnych wartości, korelacja może być nieokreślona. Nie zamieniaj jej automatycznie na zero. W tym przykładzie wszystkie cztery wybrane miary są zmienne i pary mają wystarczającą liczebność do obliczenia współczynnika opisowego.

Sprawdź rozumienie 5

Czy r ≈ 0,644 pozwala stwierdzić, że temperatura powoduje drgania? Dlaczego trzeba sprawdzić wykres punktowy, pojedyncze urządzenia i liczbę dostępnych par, nawet gdy mapa korelacji wygląda przekonująco?

Od mapy do kolejnego pytania

Macierz korelacji czterech wielkości. Temperatura i energia mają r około 0,846, temperatura i produkcja minus 0,762, energia i produkcja minus 0,658. Mapa służy wyborowi par do analizy, nie ustalaniu przyczyn.

Rysunek 7. Diagnostyczna macierz korelacji Pearsona dla temperatury, drgań, energii i produkcji. Źródło: pomiary_clean.csv. Obliczenia parami, n od 717 do 720; wspólna skala −1 do 1. Wartości na przekątnej dotyczą korelacji zmiennej z samą sobą.

Liczebności różnią się między parami: temperatura i drgania mają n = 720; każda z nich z energią — 718, a z produkcją — 719. Energia i produkcja mają 717 kompletnych par. Wszystkie te wartości znajdziesz w macierzy n_par.

Wybierz jedną parę, na przykład energię i produkcję, i obejrzyj punkty. Kolor może oznaczać tryb pracy, ale wtedy potrzebna jest legenda i dodatkowy sposób rozróżnienia grup, na przykład kształt znacznika. Nie dodawaj kolejnych kanałów wizualnych, jeśli nie odpowiadają na pytanie.

W ćwiczeniu zapisz M4_C05_energia_produkcja.png. Sprawdź 717 par, opisz znak zależności i co najmniej jedno ograniczenie. Ujemna korelacja nie oznacza, że ograniczanie energii samo w sobie zwiększy produkcję.