python特征相关性热力图怎么画_如何在python中绘制热地图（实例）

最新推荐文章于 2025-03-26 17:44:05 发布

weixin_39597323

最新推荐文章于 2025-03-26 17:44:05 发布

阅读量9.3k

点赞数 16

文章标签： python特征相关性热力图怎么画

热地图使用场景：

进一步查看数据表中特征两两之间的相关性

在数据挖掘的前期工作中，对于研究特征关系十分有效

函数体：

seaborn

主要参数：

（1）data：

数据集，可以是array型的数组或者是DataFrame类型。当数据集为DataFrame类型时，数据集的行与列的信息分别对应热地图heatmap的行信息和列信息。也就是说，数据集的索引（index）会作为热地图的行标签，列名会作为热地图的列标签。

（2）矩阵块颜色参数：

vmax、vmin：分别是热力图的颜色取值最大和最小范围，默认是根据data数据表里的取值确定。
cmap：从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；改参数默认值：根据center参数设定
center：数据表取值有差异时，设置热力图的色彩中心对齐值；通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变
robust：默认取值False；如果是False，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定。

annot(annotate的缩写)：默认取值False；如果是True，在热力图每个方格写入数据；如果是矩阵，在热力图每个方格写入该矩阵对应位置数据。
fmt：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。
annot_kws：默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体，matplotlib包text类下的字体设置。

xticklabels、yticklabels：xticklabels控制每列标签名的输出；yticklabels控制每行标签名的输出。默认值是auto。如果是True，则以DataFrame的列名作为标签名。如果是False，则不添加行标签名。如果是列表，则标签名改为列表中给的内容。如果是整数K，则在图上每隔K个标签进行一次标注。如果是auto，则自动选择标签的标注间距，将标签名不重叠的部分(或全部)输出。
mask：控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉。
ax：设置作图的坐标轴，一般画多个子图时需要修改不同的子图的该值

（1）数据集介绍

本次实例，我们使用之前的肝炎数据集。有需要的同学可以看看之前的文章：

侦探L：Pandas与机器学习实例——肝炎数据集（1）zhuanlan.zhihu.com

看一下我们本次实例用到的数据表：

df[['类固醇','疲惫','不适','厌食','肝大','肝硬化','脾可触','蛛状','腹腔积水','静脉曲张']].head(10)

可以看到，数据表中的特征都是取值0与1的分类型数据。

我们的目的是，查看这些特征两两之间的相关性。

首先，使用corr（）获取这些特征的相关系数表：

corr = df[['类固醇','疲惫','不适','厌食','肝大','肝硬化','脾可触','蛛状','腹腔积水','静脉曲张']].corr()
corr

可以看到，由于数据的特征列较多，因此我们无法直观上看出各个特征的相关程度。这时候，就需要借助我们的热地图heatmap。

导入我们绘图所需要的库：

from matplotlib import pyplot as plt
%matplotlib inline
import seaborn as sns
sns.set()

（这里我用的是jupyter notebook，因此在会多加一条%matplotlib inline的代码，这条命令的作用是将 Matplotlib 绘制的图形嵌入在当前页面中。而在桌面环境中绘图时，不需要添加此命令，而是在全部绘图代码之后追加plt.show( )）

（2）进行测试

1、使用默认参数：

plt.rcParams['font.sans-serif']=['SimHei']
fig = plt.figure(figsize=(10,10))
sns.heatmap(corr)
plt.show()

可以看到此时我们绘制出了一个基本的热地图，从右边的绘制颜色刻度条可以看到，颜色越浅，则特征之间的相关性越强。

2、尝试利用annot = True在热地图每个方格写入数据：

plt.rcParams['font.sans-serif']=['SimHei']
fig = plt.figure(figsize=(10,10))
sns.heatmap(corr,annot = True)
plt.show()

可以看到，此时我们热地图的信息变得更加清晰了。

3、利用linewidths在热地图的矩阵块之间设置分隔线：

plt.rcParams['font.sans-serif']=['SimHei']
fig = plt.figure(figsize=(10,10))
sns.heatmap(corr,annot = True,linewidths=1)
plt.show()

在热地图的日常使用中，annot和linewidths是比较常用的两个参数，由于篇幅原因，其他参数我们就不一一调试了，感兴趣的同学可以自己动手试试~

通过使用热地图，我们可以比较直观地得到以下两个结论：

1、“不适”和“疲惫”两列的相关性较强，达到0.59；也就是说，感到“不适”的患者，很多也伴随着“疲惫”症状。

2、“不适”和“厌食”两列的相关性较强，达到0.6；也就是说，感到“不适”的患者，很多同时也伴随着“厌食”的情况。

以上便是<如何在python中绘制热地图（实例）>的内容，感谢大家的细心阅读，同时欢迎感兴趣的小伙伴一起讨论、学习，想要了解更多内容的可以看我的其他文章，同时可以持续关注我的动态~