使用Pearson相关系数进行相关性分析是统计分析中的一种常用方法。我们可以使用Python的pandas和seaborn库来计算相关系数，并通过热力图进行可视化。以下是一个完整的代码示例：

import pandas as pd  
import seaborn as sns  
import matplotlib.pyplot as plt  
# 创建一个示例数据集  
data = {  
    'A': [1, 2, 3, 4, 5],  
    'B': [5, 4, 3, 2, 1],  
    'C': [2, 3, 4, 5, 6],  
    'D': [5, 3, 6, 2, 4]  
}  
df = pd.DataFrame(data)  
# 计算Pearson相关系数  
corr_matrix = df.corr(method='pearson')  
# 使用Seaborn绘制热力图  
plt.figure(figsize=(8, 6))  
sns.heatmap(corr_matrix, annot=True, fmt=".2f", cmap='coolwarm', cbar=True)  
plt.title("Pearson Correlation Coefficient Heatmap")  
plt.show()  

代码说明：

1. 数据创建：首先，我们创建一个示例数据集，该数据集是一个字典，然后将其转换为DataFrame。

2. 计算相关系数：使用pandas的corr方法计算DataFrame中各列之间的Pearson相关系数。

3. 绘制热力图：使用seaborn库中的heatmap函数绘制相关系数矩阵的热力图。参数annot=True用于在每个单元格中显示数值，fmt=".2f"控制数值格式，cmap参数选择了一个颜色映射方案 ('coolwarm')，cbar=True显示颜色条。

通过这个简单的代码，你可以轻松地分析和可视化数据中不同变量之间的线性关系。根据需要，你可以替换数据集或调整绘图参数以适应你的具体需求。