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 < 0.05, p < 0.01, p < 0.001）。
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)
生成相关性分析与绘图代码
分别打开Claude、Deepseek上传范例数据。Claude点击“+”上传文件，Deepseek点击“回形针”上传文件。
图4 Claude 图4 Claude
图5 Deepseek 图5 Deepseek
接下来，我们向Claude、Deepseek分别提出我们的需求。关键在于清晰、具体地描述任务。
输入指令：
使用psych包对附件“OTU.csv”中的微生物丰度OTU和“envs.csv”文件中的环境因子进行pearson相关性分析，提取相关性系数矩阵和p值矩阵，并使用ComplexHeatmap包绘制聚类热图，X和Y轴分别为环境因子和OTU，确保热图的格子的宽和高都为0.7，格子的描边为白色，粗细为1.2，聚类树的高度为1.5cm，热图的配色方案为：#9370DB，white，#FF7F24，热图图例标题为“correlation”，文本的字体大小为7。
Claude经过5秒的思考，给出了分析绘图代码。deepseek经过274秒的深度思考，给出了分析绘图代码。
我们就得到了相关性分析及绘图代码。点击以上代码块右上角的“复制”按钮，将Claude、Deepseek生成的R代码分别复制粘贴到Rstudio的脚本编辑器中运行。
对于本次相关性分析及绘图要求，Claude理解到位，很顺利的运行成功。
图6 Claude生成代码 图6 Claude生成代码
Deepseek的代码运行出错，报错信息如下：
使用 @youdotcom-oss/teams-anthropic 将 Anthropic Claude 模型（Opus、Sonnet、Haiku）添加到 Microsoft Teams.ai 应用程序中。可选集成 You.com MCP 服务器以进行网页搜索和内容提取。
图7 Deepseek生成代码报错 图7 Deepseek生成代码报错
继续向Deepseek输入优化报错代码指令：
绘制热图时出错，请继续优化这部分代码，报错信息如下：错误于Heatmap(matrix = r_matrix, name = "Cor", col = col_fun, rect_gp = gpar(col = "white", : 参数没有用(row_height = unit(0.7, "cm"), column_width = unit(0.7, "cm"))
图8 代码修改优化 图8 代码修改优化
然后复制DeepSeek修改后的代码，粘贴到Rstudio的脚本编辑器中运行，如下图。
图9 Deepseek优化后代码 图9 Deepseek优化后代码
经过调试，Deepseek也能够准确绘制期望图形。
我们还可以在给出代码的基础上继续优化，比如根据P value矩阵，在热图上添加显著性“星号”标记等。
继续输入优化代码指令：
在以上热图绘制代码上继续优化：更改多级显著性标记（如: p < 0.05, : p < 0.01, : p < 0.001）
图10 Claude页面 图10 Claude页面
图11 Deepseek页面 图11 Deepseek页面
最终代码与结果确认
经过调试，Claude和Deepseek都得到了一套能够稳定运行并产生预期结果的R代码。Claude最终优化后的R代码 (示例)：
# 加载所需的R包
library(psych)
library(ComplexHeatmap)
library(circlize) # 用于自定义热图颜色
<h1>读取数据</h1><p>otu_data <- read.csv("OTU.csv", row.names = 1)
env_data <- read.csv("envs.csv", row.names = 1)</p><h1>计算相关性</h1><p>cor_matrix <- cor(otu_data, env_data, method = "pearson")
p_matrix <- cor.test(otu_data, env_data, method = "pearson")$p.value</p><h1>创建颜色函数</h1><p>col_fun <- colorRamp2(c(-1, 0, 1), c("#9370DB", "white", "#FF7F24"))</p><h1>定义显著性标记</h1><p>sig_matrix <- matrix("", nrow = nrow(cor_matrix), ncol = ncol(cor_matrix))
sig_matrix[p_matrix < 0.001] <- "<em><strong>"
sig_matrix[p_matrix < 0.01 & p_matrix >= 0.001] <- "</strong>"
sig_matrix[p_matrix < 0.05 & p_matrix >= 0.01] <- "</em>"</p><h1>绘制热图</h1><p>ht <- Heatmap(cor_matrix,
name = "correlation",
col = col_fun,
row_names_gp = gpar(fontsize = 7),
column_names_gp = gpar(fontsize = 7),
rect_gp = gpar(col = "white", lwd = 1.2),
cell_fun = function(j, i, x, y, width, height, fill) {
grid.text(sig_matrix[i, j], x, y, gp = gpar(fontsize = 7))
},
cluster_rows = TRUE,
cluster_columns = TRUE,
row_dend_width = unit(1.5, "cm"),
column_dend_height = unit(1.5, "cm"),
heatmap_legend_param = list(title = "correlation"))</p><h1>绘制热图</h1><p>draw(ht)Deepseek最终优化后的R代码 (示例)：
# 加载必要的包
library(psych)
library(ComplexHeatmap)
library(circlize)</p><h1>读取数据</h1><p>otu <- read.csv("OTU.csv", row.names = 1)
envs <- read.csv("envs.csv", row.names = 1)</p><h1>计算相关性</h1><p>cor_matrix <- cor(otu, envs, method = "pearson")
p_matrix <- cor.test(otu, envs, method = "pearson")$p.value</p><h1>创建颜色函数</h1><p>col_fun <- colorRamp2(c(-1, 0, 1), c("#9370DB", "white", "#FF7F24"))</p><h1>定义显著性标记</h1><p>sig_matrix <- matrix("", nrow = nrow(cor_matrix), ncol = ncol(cor_matrix))
sig_matrix[p_matrix < 0.001] <- "<em><strong>"
sig_matrix[p_matrix < 0.01 & p_matrix >= 0.001] <- "</strong>"
sig_matrix[p_matrix < 0.05 & p_matrix >= 0.01] <- "</em>"</p><h1>绘制热图</h1><p>ht <- Heatmap(cor_matrix,
name = "correlation",
col = col_fun,
row_names_gp = gpar(fontsize = 7),
column_names_gp = gpar(fontsize = 7),
rect_gp = gpar(col = "white", lwd = 1.2),
cell_fun = function(j, i, x, y, width, height, fill) {
grid.text(sig_matrix[i, j], x, y, gp = gpar(fontsize = 7))
},
cluster_rows = TRUE,
cluster_columns = TRUE,
row_dend_width = unit(1.5, "cm"),
column_dend_height = unit(1.5, "cm"),
heatmap_legend_param = list(title = "correlation"))</p><h1>绘制热图</h1><p>draw(ht)结果核查: 我们仔细检查生成的图，确认颜色、数值（如图显示）、星号标记都符合预期，并且与我们的统计学理解一致。
图12 Claude代码绘图 图12 Claude代码绘图
图13 Deepseek代码绘图 图13 Deepseek代码绘图
通过针对“相关性分析与‘星号’标记热图绘制”任务的对比实践，我们清晰地看到了Claude与DeepSeek在辅助科研编程时的显著特性差异。Claude以其“直达答案”的效率给人留下深刻印象，尤其适合目标明确、流程标准的任务，能迅速提供可用代码框架。相比之下，DeepSeek在需要细致调整或探索性较强的场景中，其“深度思考”与“沟通”能力则显现优势，通过引导式交互可能产生更优化或个性化的方案，尽管耗时可能更长。
因此，“高效”的定义在此变得具有相对性：是追求最短时间获得可行代码（Claude的潜在优势），还是追求在互动中加深理解并获得定制化方案（DeepSeek的潜在优势）？这取决于用户的具体目标与偏好。本次比较的核心启示在于，理解并选择与任务需求、个人工作风格相匹配的AI“助手”，是提升未来研究效率的关键。我们期待AI模型能在速度与深度、直接性与交互性之间找到更优的平衡点，成为科研人员更得力的智能伙伴。
