如何为含稀疏NaN数据的seaborn PairGrid添加相关系数标注

scipy.stats.pearsonr 原生不支持自动跳过NaN值，传入含缺失值的数组就会抛出ValueError: array must not contain infs or NaNs。
seaborn内置的散点图、KDE绘图逻辑会自动丢弃对应轴缺失的样本，但自定义的相关系数计算函数没有做缺失值过滤，传入全量含NaN的列就触发了报错。另外要注意不要把字符串类型的group列传入PairGrid，否则会出现类型错误。

调整自定义的corr_func函数，计算前先成对剔除两个变量中存在缺失值的样本，逻辑和seaborn内置绘图的缺失值处理保持一致，同时增加有效样本数判断，避免样本量不足时的计算错误。
完整可运行代码如下：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats

def corr_func(x, y, **kws):
    # 成对过滤两个变量的缺失值
    valid_pair = ~(x.isna() | y.isna())
    x_clean, y_clean = x[valid_pair], y[valid_pair]
    # 有效样本不足2时无法计算相关系数，直接跳过
    if len(x_clean) < 2:
        return
    r, _ = stats.pearsonr(x_clean, y_clean)
    ax = plt.gca()
    ax.annotate(f"{r:.2f}", xy=(0.3, 0.45), xycoords=ax.transAxes, size=30)

def plot_corrplot(df):
    # 仅提取数值特征列传入PairGrid，排除字符串类型的group列
    feature_cols = df.columns.drop("group")
    g = sns.PairGrid(df[feature_cols], diag_sharey=False, corner=False)
    g.map_lower(sns.scatterplot, s=10, color="black")
    g.map_diag(sns.kdeplot, color="grey")
    g.map_upper(corr_func)
    plt.show()

# 读取剪贴板数据运行
df = pd.read_clipboard(sep=",")
plot_corrplot(df)

• 采用成对删除（pairwise deletion）逻辑处理缺失值：计算每一对变量的相关系数时，仅剔除这两个变量存在缺失的样本，和散点图展示的样本范围完全匹配，不会出现计算结果和可视化内容不对应的问题
• 增加样本量校验：如果两个变量的共同有效样本不足2个（比如完全没有重叠观测的变量对），直接跳过标注，不会触发计算报错
• 自动适配稀疏数据场景：即使不同变量的有效样本来自不同分组，只要两个变量存在共同的非缺失观测，就可以正常计算相关系数

内容的提问来源于stack exchange，提问作者sirmanleypower