Python数据可视化 | seaborn heatmap可视化模式亲测

最新推荐文章于 2023-08-08 11:21:28 发布
最新推荐文章于 2023-08-08 11:21:28 发布
阅读量1.8k 收藏 14
点赞数 2
分类专栏： Data Visualization
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Tinky2013/article/details/104220472
版权

seaborn heatmap可视化模式亲测

利用heatmap绘制协方差矩阵是数据可视化中常见的操作，而对颜色的选取则是一种艺术了。在不同的场景下有可能我们需要不同的色调或者颜色的搭配。而seaborn中的heatmap函数为我们提供了便捷。

Seaborn中有非常多的颜色选项可以选择，这里将效果一一亲测。数据如下：这里我们用最为简单的数据绘制协方差矩阵的图。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set()
data=pd.DataFrame({'A':[1,4,5,2,5,6,3,5,6,3,3],
                 'B':[4,3,7,3,5,2,4,3,5,5,2],
                 'C':[5,8,9,3,5,7,3,5,3,4,4],
                 'D':[5,4,3,6,7,3,5,2,6,6,4],
                 'E':[4,5,7,3,6,3,2,4,5,2,1],
                 'F':[7,6,4,7,4,7,9,3,2,2,3],
                 'G':[4,5,2,5,8,9,1,2,4,4,3],
                 'H':[6,4,2,6,2,6,1,3,8,9,6],
                 'I':[4,3,5,2,7,8,3,4,2,5,3],
                 'J':[4,2,5,7,8,4,5,2,5,1,2],
                 'K':[4,5,8,2,3,1,4,5,8,3,2]})
f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax)
ax.set_title('default')

Text(0.5, 1, 'default')

在这里插入图片描述

可以看到，这就是heatmap的默认颜色模式，除了这种模式，我们可以指定cmap的值，使得绘制出来的图像呈现不同的颜色（在字符串后面加’_r’则进行反向）

1 Accent

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Accent')
ax.set_title('Accent')

Text(0.5, 1, 'Accent')

在这里插入图片描述

2 Blues

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Blues')
ax.set_title('Blues')

Text(0.5, 1, 'Blues')

在这里插入图片描述

3 BrBG

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='BrBG')
ax.set_title('BrBG')

Text(0.5, 1, 'BrBG')

在这里插入图片描述

4 BuGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='BuGn')
ax.set_title('BuGn')

Text(0.5, 1, 'BuGn')

在这里插入图片描述

5 BuPu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='BuPu')
ax.set_title('BuPu')

Text(0.5, 1, 'BuPu')

在这里插入图片描述

6 CMRmap

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='CMRmap')
ax.set_title('CMRmap')

Text(0.5, 1, 'CMRmap')

在这里插入图片描述

7 Dark2

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Dark2')
ax.set_title('Dark2')

Text(0.5, 1, 'Dark2')

在这里插入图片描述

8 GnBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='GnBu')
ax.set_title('GnBu')

Text(0.5, 1, 'GnBu')

在这里插入图片描述

9 Greens

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Greens')
ax.set_title('Greens')

Text(0.5, 1, 'Greens')

在这里插入图片描述

10 Greys

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Greys')
ax.set_title('Greys')

Text(0.5, 1, 'Greys')

在这里插入图片描述

11 OrRd

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='OrRd')
ax.set_title('OrRd')

Text(0.5, 1, 'OrRd')

在这里插入图片描述

12 Oranges

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Oranges')
ax.set_title('Oranges')

Text(0.5, 1, 'Oranges')

在这里插入图片描述

13 PRGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PRGn')
ax.set_title('PRGn')

Text(0.5, 1, 'PRGn')

在这里插入图片描述

14 Paired

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Paired')
ax.set_title('Paired')

Text(0.5, 1, 'Paired')

在这里插入图片描述

15 Pastel1

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Pastel1')
ax.set_title('Pastel1')

Text(0.5, 1, 'Pastel1')

在这里插入图片描述

16 Pastel2

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Pastel2')
ax.set_title('Pastel2')

Text(0.5, 1, 'Pastel2')

在这里插入图片描述

17 PiYG

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PiYG')
ax.set_title('PiYG')

Text(0.5, 1, 'PiYG')

在这里插入图片描述

18 PuBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuBu')
ax.set_title('PuBu')

Text(0.5, 1, 'PuBu')

在这里插入图片描述

19 PuBuGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuBuGn')
ax.set_title('PuBuGn')

Text(0.5, 1, 'PuBuGn')

在这里插入图片描述

20 PuOr

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuOr')
ax.set_title('PuOr')

Text(0.5, 1, 'PuOr')

在这里插入图片描述

21 PuRd

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuRd')
ax.set_title('PuRd')

Text(0.5, 1, 'PuRd')

在这里插入图片描述

22 Purples

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Purples')
ax.set_title('Purples')

Text(0.5, 1, 'Purples')

在这里插入图片描述

23 RdBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdBu')
ax.set_title('RdBu')

Text(0.5, 1, 'RdBu')

在这里插入图片描述

24 RdGy

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdGy')
ax.set_title('RdGy')

Text(0.5, 1, 'RdGy')

在这里插入图片描述

25 RdPu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdPu')
ax.set_title('RdPu')

Text(0.5, 1, 'RdPu')

在这里插入图片描述

26 RdYlBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdYlBu')
ax.set_title('RdYlBu')

Text(0.5, 1, 'RdYlBu')

在这里插入图片描述

27 RdYlGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdYlGn')
ax.set_title('RdYlGn')

Text(0.5, 1, 'RdYlGn')

在这里插入图片描述

28 Reds

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Reds')
ax.set_title('Reds')

Text(0.5, 1, 'Reds')

在这里插入图片描述

29 Set1

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Set1')
ax.set_title('Set1')

Text(0.5, 1, 'Set1')

在这里插入图片描述

30 Set2

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Set2')
ax.set_title('Set2')

Text(0.5, 1, 'Set2')

在这里插入图片描述

31 Set3

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Set3')
ax.set_title('Set3')

Text(0.5, 1, 'Set3')

在这里插入图片描述

32 Spectral

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Spectral')
ax.set_title('Spectral')

Text(0.5, 1, 'Spectral')

在这里插入图片描述

33 Wistia

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Wistia')
ax.set_title('Wistia')

Text(0.5, 1, 'Wistia')

在这里插入图片描述

34 YlGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlGn')
ax.set_title('YlGn')

Text(0.5, 1, 'YlGn')

在这里插入图片描述

35 YlGnBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlGnBu')
ax.set_title('YlGnBu')

Text(0.5, 1, 'YlGnBu')

在这里插入图片描述

36 YlOrBr

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlOrBr')
ax.set_title('YlOrBr')

Text(0.5, 1, 'YlOrBr')

在这里插入图片描述

37 YlOrRd

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlOrRd')
ax.set_title('YlOrRd')

Text(0.5, 1, 'YlOrRd')

在这里插入图片描述

ZIYUE WU
关注
专栏目录
Python数据可视化 | Seaborn热力图
前程算法屋的博客
11-11 315
Python数据可视化 | Seaborn热力图
Python Plt颜色配色一览（热力图）
12-20
环境： python 3.7 可用配色： ['Accent','Accent_r','Blues','Blues_r','BrBG','BrBG_r','BuGn','BuGn_r','BuPu','BuPu_r','CMRmap','CMRmap_r',\ 'Dark2','Dark2_r','GnBu','GnBu_r','Greens','Greens_r','Greys','Greys_r','OrRd','OrRd_r','Oranges','Oranges_r',\ 'PRGn','PRGn_r','Paired','Paired_r','Pastel1','Pastel1_r'
Detectron2热力图可视化
m0_50948137的博客
03-01 722
Detectron2热力图可视化
基于 Matlab 的方差-协方差矩阵可视化表示（椭圆、椭球）
一些笔记
04-05 3919
基于 Matlab 的方差-协方差矩阵的可视化表示 因为在学习模糊度固定的时候涉及了『搜索椭球』这一概念，很想知道是如何用椭球来表示搜索空间的。出于好奇，在查阅了一些相关文献，终于解决了笔者的疑惑，此篇博文就简要记录一下如何根据协方差矩阵来绘制椭球。 下面是得到的一些结论： - 对协方差矩阵进行奇异值分解得到奇异值和奇异向量 - 协方差矩阵的奇异值表征椭球的向径长度 - 协方差矩阵的奇异向量表征椭球的向径指向
python实现计算RGB图像协方差矩阵
qq_43792362的博客
04-01 2391
代码如下: import cv2 import numpy as np from matplotlib import pyplot as plt # 计算三波段协方差 ''' 1.读取图像BGR三个波段的元素 2.分别计算三个波段元素平均值 3.计算cov协方差 4.得出协方差矩阵 ''' def Cov(image): w = image.shape[0] h = i...
python可视化之seaborn
GhostLWB的博客
08-11 1万+
数据可视化的文章我很久之前就打算写了，因为最近用Python做项目比较多，于是就花时间读了seaborn的文档，写下了这篇。 数据可视化在数据挖掘中是一个很重要的部分，将数据用图表形式展示可以很直观地看到数据集的特点（比如正态分布，长尾分布，聚集等），方便下一步怎么对数据进行处理。 这里我用的是Python来进行可视化，因为Python的框架相对较多而且使用的也较广泛。我们在这里用的是seab...
【数学】协方差介绍、相关系数介绍，Python代码
最新发布
q742971636的博客
08-08 1792
协方差（Covariance）是统计学中用来衡量两个随机变量之间关系的一种度量。它反映了这两个变量的变化趋势是否一致，即当一个变量偏离其均值时，另一个变量是否也倾向于偏离其均值。协方差可以帮助我们了解变量之间的线性关系以及它们的相互变化情况。具体而言，对于两个随机变量 X 和 Y，它们的协方差记作 Cov(X, Y)，计算公式如下：然而，协方差的数值大小受到变量单位的影响，不易直接比较不同数据集之间的关系。
python数据可视化之Seaborn（二）
01-07
python数据可视化之Seaborn（一） Seaborn可视化内容安排 在Seaborn的学习中安排如下， 一、画风设置：会简单介绍一下绘图风格（一）与颜色风格（二）的设置； 二、绘图技巧：这里会介绍数据集（三）、相关数据（四...
python seaborn heatmap可视化相关性矩阵实例
09-16
`seaborn` 是一个基于 `matplotlib` 的 Python 数据可视化库，提供了许多高级接口用于创建美观且信息丰富的统计图形，包括热力图（heatmap）功能。在本篇文章中，我们将深入探讨如何使用 `seaborn` 的 `heatmap` ...
python数据可视化——直方图、热力图和缺失值可视化
vivian_ll的博客
05-17 2万+
一、绘制直方图 首先读入数据 def read_data(): path = '../data/forCodeF-2.csv' data = pd.read_csv(path,encoding='gbk') return data 然后调用matplotlib.pyplot.hist函数绘制各维特征的分布直方图。 import matplotlib.pyplot as p...
超简单的主成分分析（PCA）协方差矩阵算法及其相关性分析热力图
车手只需要车和手，压力来自轮胎
06-29 3246
相信了解过PCA的小伙伴都知道怎么求协方差矩阵的公式 下面直接给出求相关性矩阵计算代码及热力图 import seaborn as sns;sns.set(color_codes= True) # 相关性分析 def covriance(data): # 传入的数据集-data X = d.corr() print(X) sns.heatmap(X,square=True, annot=True) plt.title("Correlation matrix")
Python科学计算与图形渲染库
12-03
本课程是NumPy丛入门到精通课程。主要介绍了NumPy函数库的使用方法。
图像协方差矩阵_深度学习的预处理：从协方差矩阵到图像白化
cumi6497的博客
07-27 2621
图像协方差矩阵by hadrienj 由hadrienj The goal of this post is to go from the basics of data preprocessing to modern techniques used in deep learning. My point is that we can use code (such as Python/NumPy) t...
协方差矩阵的几何解释
蜗牛
05-23 3万+
介绍在本文中，我们通过探索线性变换与所得数据协方差之间的关系提供协方差矩阵一个直观的几何解释。大部分教科书基于协方差矩阵的概念解释数据的形状。相反，我们采取一个反向的方法，根据数据的形状来解释协方差矩阵的概念。在《为什么样本方差除以N-1？》的文章中，我们会讨论方差的概念，并提供了众所周知的估算样本方差公式的推导和证明。这篇文章中使用的图1表明标准差（方差的平方根）提供了数据在特征空间上传播多少的量
协方差矩阵（Covariance Matrix）
lllfor的博客
06-09 3万+
定义 1、学术定义 2、常规定义 协方差矩阵中每个元素的求法 用中文来描述，就是： 协方差(i,j)=（第i列的所有元素-第i列的均值）*（第j列的所有元素-第j列的均值） 3、协方差矩阵性质 Example 1、 X、Y是一个列向量，它表示了每种情况下每个样本可能出现的数。比如给定 则X表示x轴可能出现的数，Y表示y轴可能出现的。注意这里是关键，给定了4个样本，每个样本都是二维的，所以只可能有X和Y两种维度。所以 这里只有X,Y两列，所以得到的协方差矩阵是2x2的矩阵，分别计算协方差矩阵的各个元素 所
协方差矩阵（covariance matrix）
03-14 4096
Xn×d⇒(XTX)d×d X_{n\times d}\Rightarrow \left (X^TX\right )_{d\times d}（1）协方差矩阵：半正定（semi-positive definite） （2）
可视化与多维数据分析
人丑就应该多读书
02-03 3107
可视化数据是把 数据转换成视觉或表格的形式，以便可以分析数据和数据项或属性之间的关系与特性。 可视化基本步骤： 1.表示 2.安排 3.选择 可视化技术：1.直方图、多维直方图 2.盒状图（通常显示数据内部的变化） 3.散布图矩阵。下面转载一篇关于介绍散布矩阵的博文如下（地址http://blog.csdn.net/breeze5428/article/details/2561
相关系数图可视化
军军的专栏
04-06 1万+
相关系数图 junjun 2016年4月6日 参考：刘顺祥作品 虽然cor()函数可以非常方便快捷的计算出连续变量之间的相关系数，但当变量非常多时，返回的相关系数一定时读者看的眼花缭乱。 下面就以R自带的mtcars数据集为例，讲讲相关系数图的绘制： cor(mtcars[1:7]) ## mpg cyl di
深入理解协方差（图文详解）
热门推荐
野生猿-群号1025127672
07-15 7万+
先从方差开始，我们有一组样本x1、x2、x3····xn，这组样本的均值为EX，每一个样本都与EX之间存在误差，那么这组样本的方差被定义为：所有误差的和的均值，也即[Σ(xi-EX)^2]/(n-1)， 方差的作用就是用来“衡量样本偏离均值的程度”。 下面开始看协方差： 仔细观察上述定义式，可知：如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值