变量之间存在多重共线性的情况下会影响模型的精度，这里用相关矩阵corr()和热力图heatmap()可以直观地观察变量之间的相关关系，进而判断是否要对自变量进行删除，或者降维的操作。
首先用corr()构造相关矩阵研究变量之间的相关关系：
corr_data = data.corr()
corr_data代码讲解：
data是要进行分析的数据集；
corr()是相关矩阵，是DataFrame内置函数，不用另外调包也能生成；
corr()括号里面没有填参数时默认是皮尔逊相关系数，corr(method = 'pearson')；
corr(method = 'spearman')，斯皮尔曼等级相关系数，用来分析非正态分布的数据；
corr(method = 'kendall')，秩相关系数，用来分析两定序变量相关关系；
运行结果：
可以发现字段太多，要找到强相关关系的字段并不是很容易。需要再配合热力图使用。
import seaborn as sns
ax = sns.heatmap(corr_data)代码讲解：
seaborn 是Python中的一个可视化库；
sns. heatmap()指调用热力图方法，corr_data是上面计算完相关关系的二维表；
运行结果：
转为热力图就非常直观啦：从右侧可以了解越接近白色的部分代表相关系数越高，有几个字段是具有强相关性的，需要进行删除或者降维操作。
