python seaborn heatmap可视化相关性矩阵

python seaborn heatmap可视化相关性矩阵

方法

import pandas as pd
import numpy as np
import seaborn as sns
df = pd.DataFrame(np.random.randn(50).reshape(10,5))
corr = df.corr()
sns.heatmap(corr, cmap='Blues', annot=True)

在这里插入图片描述
将矩阵型简化为对角矩阵型:

mask = np.zeros_like(corr)
mask[np.tril_indices_from(mask)] = True
sns.heatmap(corr, cmap='Blues', annot=True, mask=mask.T)

在这里插入图片描述

PythonSeaborn库中,可以使用相关性矩阵和显著性标注来探索数据的相关性。根据提供的引用内容,有几种方法可以进行相关性的显著性分析: 样例一和样例四都使用了名为"Annotator"的类来实现相关性的显著性标注。这个类可以通过设置参数来控制标注的位置、标注的样式以及相关性的测试方法。在样例一中,使用了"Mann-Whitney"的测试方法,而在样例四中,没有使用任何测试方法。可以根据具体需要选择合适的测试方法来判断相关性是否显著。 另外,还可以使用Seaborn库中的热力图来可视化相关性矩阵并进行显著性标注。引用展示了如何生成一个相关性矩阵,并使用热力图和标注来显示相关性的显著性。通过设置参数"annot=True",可以在热力图上显示相关性系数的数值,并通过设置参数"cmap"来选择颜色映射。 总结起来,PythonSeaborn库提供了多种方法来进行相关性的显著性分析,包括使用"Annotator"类进行标注和使用热力图进行可视化。具体选择哪种方法取决于需要分析的数据和具体的需求。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [利用seaborn、statannotations库绘制显著性标注](https://blog.csdn.net/qq_45100200/article/details/130052252)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [python seaborn heatmap可视化相关性矩阵实例](https://download.csdn.net/download/weixin_38704565/14908899)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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