Claude vs DeepSeek：相关性分析与“星号”标记热图的高效绘制

相关性分析是揭示变量间联系的基础，本文通过大型语言模型（llm），claude和deepseek进行相关性分析并绘制显著性星号标记的热图。

有趣的是，初步观察表明，这两种模型在解决此类问题时展现出鲜明的“个性”：DeepSeek似乎倾向于更深入的沟通与思考来引导用户，而Claude则以其直截了当、快速给出解决方案的风格著称，更节省时间。本文聚焦于“相关性分析与‘星号’标记热图绘制”这一具体场景，旨在对比评测Claude与DeepSeek在任务理解、代码生成、交互体验以及最终实现高效绘制目标上的表现差异，探讨不同AI风格对特定科研任务效率的实际影响。

期望成果展示

图1 图1

图1 使用AI辅助生成并调试的R代码绘制的相关性热图。颜色代表相关系数（例如，橙色表示正相关，紫色表示负相关），颜色的深浅表示相关性强度。单元格中的星号表示基于p值的统计显著性水平（例如， p p p

示例数据的准备

为了演示，我们需要一组适合进行相关性分析的数据。这里我们模拟两组变量（例如，一组代表微生物丰度，另一组代表环境因子；或者简单地使用R内置数据集如mtcars的部分变量）。关键是数据需要是数值型的，并且组织成数据框（data frame）或矩阵（matrix）的格式。

图2 微生物丰度表 图2 微生物丰度表

图3 环境因子表 图3 环境因子表

这份清晰、结构化的数据是后续分析的基础。

● 数据结构概念: 假设我们有两个矩阵 X (n x p) 和 Y (n x q)，我们想分析 X 中p个变量与 Y 中q个变量之间的相关性。或者，我们有一个包含所有变量的数据框 df，想分析其中特定几列之间的相关性。

● 示例 (R代码):

# 创建模拟数据set.seed(123) # 保证结果可重复matrix1 <- matrix(rnorm(100), nrow = 10, ncol = 10)matrix2 <- matrix(rnorm(100), nrow = 10, ncol = 10)df <- data.frame(matrix1, matrix2)

登录后复制