如何将相关矩阵转换为边列表，用于构建带显著性判断的加权网络图？

我明白你现在卡在从相关矩阵转成符合要求的边列表这一步了——既要保留显著相关的边，又要把相关系数作为权重，用igraph的时候还拿不到相关性的关键信息，确实挺头疼的。咱们一步步来拆解这个问题：

第一步：先搞定相关系数和显著性检验的结果 #

首先你得先把相关系数矩阵和对应的显著性p值矩阵都算出来，igraph本身不负责统计检验，所以得先用统计工具（比如scipy或者pingouin）先把这俩矩阵拿到手。举个用scipy的例子：

import numpy as np
import pandas as pd
from scipy.stats import pearsonr

# 假设你的数据是df，每行是样本，每列是节点（变量）
df = pd.DataFrame(np.random.randn(100, 5), columns=["A", "B", "C", "D", "E"])

# 初始化相关系数和p值矩阵
corr_matrix = pd.DataFrame(np.eye(df.shape[1]), index=df.columns, columns=df.columns)
pval_matrix = pd.DataFrame(np.eye(df.shape[1]), index=df.columns, columns=df.columns)

# 遍历所有变量对计算相关和p值
for i in range(df.shape[1]):
    for j in range(i+1, df.shape[1]):
        corr, pval = pearsonr(df.iloc[:, i], df.iloc[:, j])
        corr_matrix.iloc[i, j] = corr
        corr_matrix.iloc[j, i] = corr
        pval_matrix.iloc[i, j] = pval
        pval_matrix.iloc[j, i] = pval

第二步：把矩阵转成符合要求的边列表 #

接下来要把矩阵里的信息转成边列表，只保留**p值小于显著性水平（比如0.05）**的边，同时带上相关系数作为权重。这里可以用pandas的stack()方法快速处理：

# 把相关矩阵转成长格式，去掉对角线（自己和自己的连接）
edges_corr = corr_matrix.stack().reset_index()
edges_corr.columns = ["source", "target", "weight"]

# 把p值矩阵也转成长格式
edges_pval = pval_matrix.stack().reset_index()
edges_pval.columns = ["source", "target", "p_value"]

# 合并两个表，然后筛选显著的边，并且去掉重复的边（因为A-B和B-A是同一条边）
edges_combined = pd.merge(edges_corr, edges_pval, on=["source", "target"])
edges_combined = edges_combined[edges_combined["source"] < edges_combined["target"]]  # 避免重复
edges_significant = edges_combined[edges_combined["p_value"] < 0.05]  # 筛选显著边

第三步：导入igraph并保留相关性信息 #

现在这个edges_significant就是符合要求的边列表了，直接导入igraph，而且权重和p值都能作为边的属性保留下来：

import igraph as ig

# 创建图对象
g = ig.Graph.DataFrame(edges_significant, directed=False)

# 检查边的属性——你现在就能拿到权重和p值了
for edge in g.es:
    print(f"边 {g.vs[edge.source]['name']}-{g.vs[edge.target]['name']}: 相关系数={edge['weight']}, p值={edge['p_value']}")

关键提醒 #

• 如果你一开始直接用igraph从相关矩阵生成图，它只会把矩阵值当成权重，但不会帮你做显著性筛选，也不会保留p值这类统计信息——所以必须先在外部完成统计检验和筛选，再把处理好的边列表喂给igraph。
• 要是你的变量很多，遍历所有对可能有点慢，可以用pingouin的corr()方法直接生成包含p值的长格式结果，能省不少代码：

import pingouin as pg
corr_results = pg.pairwise_corr(df, method="pearson")
edges_significant = corr_results[corr_results["p-corr"] < 0.05][["X", "Y", "r", "p-corr"]]
edges_significant.columns = ["source", "target", "weight", "p_value"]

这样操作下来，你就能得到一个只包含显著相关边、且每条边都带有相关系数权重的网络图，而且所有相关性的统计信息都能在igraph里访问到啦。

内容的提问来源于stack exchange，提问作者herbert