python可是化学习八（热力图）

####关联图像最后一个############ 关联图的目标，展示的是一个变量随着另一个变量的变化而变化，但之前的折线图或折线图只能够分析俩变量的关系

df=pd.read_csv('mtcars.csv')
df.head()
name=['英里/加仑','气缸数量','排量','总马力','驱动轴比','重量','1/4英里所用的时间','引擎','变速器','前进挡数','化油器的数量','用油是否高效','汽车','汽车名称']
df.columns=name
df.head()

#其中的汽车与汽车名称这一列是完全相等的
(df['汽车']!=df['汽车名称']).sum()
#先实现相关系数矩阵，在实现相关系数矩阵
df.corr():#实现相关系数的矩阵
#method：填写相关系数分参数，可以选择'pearson','kendall','spearman'
coef=df.corr(method='pearson')

重要的参数
#热力图 sns.heatmap:
data:输入相关系数的矩阵
cmap：使用的光谱
center：绘制有色数据时将色彩映射居中的值，这是一个控制颜色的参数，如果没有指定的camp，使用此参数将更改默认的cmap的参数，我们一般center中填写数据的中值，比如皮尔逊相关系数的取值范围[-1,1],我们就在center中填写0
annot：如果为True,则在热力图的每个单元中写入数据集，如果一个类似于data形状的数组，那么用他来标试热力图而不是原始数据

#确保正确显示中文+符号
plt.rcParams['font.sans-serif']=['Simhei']
plt.rcParams['axes.unicode_minus']=False
#绘制图像
plt.figure(figsize=(12,10),dpi=80)
sns.heatmap(df.corr() #需要输入的相关性矩阵
            ,xticklabels=coef.columns #横坐标的标签
            ,yticklabels=coef.columns #纵坐标的标签
            ,cmap='RdYlGn'           #使用的光谱，一般会使用由浅到深的
             # cmap='YlGnBu'
            ,center =0 #填写数据的中值，注意观察此时的颜色条，大于0越来越靠近绿色，小于0越来越靠近红色
            #center=1 填写数据中的最大值/最小值，则最大值/最小值是最浅或最深的颜色，
            ,annot=True
)

###装饰图像##################
plt.title('mtcars数据集的相关系数的矩阵',fontsize=22)
plt.xticks(fontsize=12,rotation=45,horizontalalignment='right') #相对于刻度的位置
plt.yticks(fontsize=12)
plt.show()
######颜色可以改