【Seaborn】sns.clustermap() 函数：层次聚类热力图

sns.clustermap() —— 层次聚类热力图（Cluster Map）

seaborn.clustermap() 用于 对数据进行聚类（Clustering）并可视化热力图，适用于 数据分布分析、特征关联、相似性分析，特别适合 机器学习和数据挖掘。

---

1. 语法

import seaborn as sns

sns.clustermap(data, method="average", metric="euclidean", cmap=None, standard_scale=None, z_score=None, annot=False)

主要参数

参数	作用
data	矩阵数据（DataFrame / Numpy 数组）
method	聚类方法（"single"、"complete"、"average"、"ward"）
metric	距离度量（"euclidean"、"cosine"、"correlation"）
cmap	颜色方案（如 "coolwarm"、"Blues"）
standard_scale	对行/列归一化（0 归一化行，1 归一化列）
z_score	Z-score 标准化（0 行标准化，1 列标准化）
annot	是否 显示数值（True 显示）

---

2. 相关性聚类

2.1 计算相关性矩阵并聚类

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
data = sns.load_dataset("penguins")

# 计算相关性
corr = data.corr(numeric_only=True)

# 绘制层次聚类热力图
sns.clustermap(corr, method="average", cmap="coolwarm", annot=True)

plt.title("Feature Clustering Heatmap")
plt.show()

📌 作用

• 自动对相关性矩阵聚类，找到相似的特征。
• method="average" 使用 平均距离 计算聚类。
  

---

2.2 只对行或列标准化

sns.clustermap(corr, cmap="coolwarm", z_score=0)  # 按行标准化
plt.show()

📌 作用

• z_score=0 → 对行进行标准化，使不同变量可比较。
  

---

3. 适用于数据分布分析

3.1 生成随机数据并聚类

import numpy as np

# 生成 10x10 矩阵
data = np.random.rand(10, 10)

sns.clustermap(data, cmap="viridis", annot=True)

plt.show()

📌 作用

• 适用于 查看数据分布 & 聚类结构。
  

---

3.2 选择不同距离度量

sns.clustermap(corr, metric="cosine", cmap="coolwarm", annot=True)
plt.show()

📌 作用

• metric="cosine" 使用余弦相似度进行聚类。
  

---

3.3 选择不同聚类方法

sns.clustermap(corr, method="ward", cmap="coolwarm", annot=True)
plt.show()

📌 作用

• method="ward" 使用 ward 进行层次聚类。
  

---

4. sns.clustermap() vs sns.heatmap()

	sns.clustermap()	sns.heatmap()
作用	自动聚类	静态热力图
适用于	发现数据结构、聚类分析	可视化矩阵

sns.heatmap(corr, cmap="coolwarm", annot=True)
plt.show()

---

5. 总结

✅ sns.clustermap() 适用于层次聚类可视化，特别是相关性分析和数据挖掘。
✅ 常见参数

• method="ward" 不同聚类方法，metric="euclidean" 不同距离度量。
• standard_scale=1 列归一化，z_score=0 行标准化。