1.参考:https://blog.csdn.net/weixin_39541558/article/details/79813936
各种图的介绍:https://blog.csdn.net/DataCastle/article/details/83895025
热力图,用于描述数据表中多个特征的两两关联性。
Seaborn 是一个基于 matplotlib 的可视化库。它旨在使默认的数据可视化更加悦目。它还旨在简化复杂图表的创建,可以与 pandas 很好地集成。
seaborn.heatmap()
2.sns.heatmap(mcorr, mask=mask, cmap=cmap, square=True, annot=True, fmt='0.2f')
annotate,注释,可通过annot_kws={'size':9,'weight':'bold', 'color':'blue'}设置注释字体。
fmt,格式设置,字符串格式代码,矩阵上标识数字的数据格式,比如保留小数点后几位数字
annotate的缩写,annot默认为False,当annot为True时,在heatmap中每个方格写入数据
3.参考:https://blog.csdn.net/guduruyu/article/details/60868501
colormap 色彩映射
cmap = sns.diverging_palette(220, 10, as_cmap=True) # 返回matplotlib colormap对象
离散映射
如何使用seaborn生成colormaphttps://blog.csdn.net/wuwan5296/article/details/78636347
(1)分类色板:在区分无特定顺序的离散数据时的最佳选择
current_palette = sns.color_palette() ##默认的颜色主题有6种不同的风格,deep, muted, pastel, bright, dark和colorblind
sns.palplot(current_palette)
(2)圆形颜色系统:有6种以上颜色需要区分的时候,最简单的方式是在一个圆形的颜色空间内划出均匀间隔的颜色。(这样的色调变化会保证亮度和饱和度不变)
sns.palplot(sns.color_palette("hls", 8))
(3)连续色板:当数据从低值(不感兴趣)到高值(感兴趣)分布时采用这种色板非常合适。虽然有时你需要一个连续的离散颜色调色板(discrete colors in a sequential palette),这在使用kdplot()或corrplot函数时比较常见。
在这种情况下使用jet色彩映射(jet colormaps )或者彩虹调色板( rainbow palettes)最为常见,因为颜色的范围拥有提供数据额外信息的印象。
(4)cubehelix调色板系统:中含有亮度线性变化同时色调变化的线性色板。这意味着在打印(黑白)时或被色盲使用时,你的着色仍然能产生一定的效果。
(5)离散调色板:当你关注极端值时,应该采用这种着色方式。选择离散色板的规则类似于顺序色板,除了你想满足一个强调的颜色中点以及用不同起始颜色的两个相对微妙的变化。同样重要的是,起始值的亮度和饱和度是相同的。
(6)定制diverging_palette():运用diverging_palette()去创建一个定制的diverging色板。(当然也有一个类似配套的互动工具:choose_diverging_palette())。该函数使用husl颜色系统的离散色板。你需随意传递两种颜色,并设定明度和饱和度的端点。函数将使用husl的端点值及由此产生的中间值进行均衡。
sns.palplot(sns.diverging_palette(220, 20, n=7))
色彩为n=7,
4.
"\n"表示输出一个换行符相当于你在编辑WORD时用到的Enter键
制表符:"\t”表示后退一个制表符相当于按一下Tab键或者是按八下空格键
5.np.triu_indices_from(mat)
返回函数的上三角矩阵
返回的元组包含两个数组,每个数组沿数组的一维具有索引。