如何用Python统计类别共现并生成关联矩阵（是否为heat map？）

嗨，我来帮你理清这两个问题并给出简洁的Python实现方案：

1. 关于矩阵类型的疑问 #

你提到的这个统计类别间同时为1次数的矩阵，叫做类别共现矩阵（co-occurrence matrix）。而热力图（heatmap）是将这种矩阵用颜色深浅来可视化的一种图表形式——简单说，共现矩阵是你要计算的目标数据，热力图是它的可视化展示方式，两者不能直接划等号，但你完全可以把这个共现矩阵绘制成热力图，直观观察类别间的关联强弱。

2. Python简便实现方法 #

最简洁的方式是利用矩阵乘法的特性：因为你的原始数据是二进制（0/1）矩阵，共现矩阵其实就是原始矩阵的转置矩阵与原矩阵的乘积——每一个位置的元素会自动计算对应两列同时为1的次数，完美匹配你的需求。

下面用pandas结合numpy来实现，步骤清晰且代码简洁：

步骤1：加载原始数据 #

先把你的原始数据转换成DataFrame：

import pandas as pd

# 原始数据对应你给出的表格
data = {
    'cat1': [0, 1, 0, 0],
    'cat2': [1, 0, 0, 1],
    'cat3': [1, 0, 1, 1],
    'cat4': [0, 0, 1, 1]
}
df = pd.DataFrame(data, index=['a', 'b', 'c', 'd'])

步骤2：计算共现矩阵 #

直接一行代码搞定矩阵乘法：

# 转置矩阵点乘原矩阵，得到共现矩阵
co_occurrence = df.T.dot(df)
print(co_occurrence)

运行后输出的结果完全符合你的预期：

cat1  cat2  cat3  cat4
cat1     1     0     0     0
cat2     0     2     2     1
cat3     0     2     3     2
cat4     0     1     2     2

额外：绘制热力图（可选） #

如果你想把这个矩阵做成热力图来直观展示，可以用seaborn库快速实现：

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(co_occurrence, annot=True, cmap='Blues', fmt='d')
plt.title('Category Co-occurrence Heatmap')
plt.show()

这样就能生成一张热力图，颜色越深代表对应类别对的共现次数越多，标注的数字也能让你直接看到具体次数。

内容的提问来源于stack exchange，提问作者borkbork