python画相关性可视化图_Python可视化16matplotlib&seborn-相关性热图（correlation heatmap）...

最新推荐文章于 2024-09-25 14:12:08 发布

weixin_39692623

最新推荐文章于 2024-09-25 14:12:08 发布

阅读量872

点赞数

文章标签： python画相关性可视化图

本文将了解到什么？

0、成品图展示

1、数据准备

2、seaborn.heatmap绘制correlation heatmap

默认参数绘制correlation heatmap

vmax设置颜色深浅

cmp参数变换colormap

annot、fmt、annot_kws设置格子中文本

mask设置部分数据显示

3、seaborn.clustermap绘制correlation clustermap

0、成品图展示

普通相关性heatmap

397cd431b606

image

聚类相关性heatmap

397cd431b606

image

1、数据准备

关键一步，使用pandas的corr函数生成相关矩阵。

from string import ascii_letters

import numpy as np

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

import palettable

# 生成随机数

rs = np.random.RandomState(33)#类似np.random.seed，即每次括号中的种子33不变，每次可获得相同的随机数

d = pd.DataFrame(data=rs.normal(size=(100, 26)),#normal生成高斯分布的概率密度随机数，需要在变量rs下使用

columns=list(ascii_letters[26:]))

# corr函数计算相关性矩阵(correlation matrix)

dcorr = d.corr(method='pearson')#默认为'pearson'检验，可选'kendall','spearman'

简单看下原始数据集，如下：可以简单理解为一个具有26个变量（A-Z）,每个变量具有100个平行的矩阵。

397cd431b606

image

经过corr函数变换后，变成26x26的方形矩阵。

397cd431b606

image

2、seaborn.heatmap绘制correlation heatmap

默认参数绘制correlation heatmap

plt.figure(figsize=(11, 9),dpi=100)

sns.heatmap(data=dcorr,

)

397cd431b606

image

vmax设置颜色深浅

plt.figure(figsize=(11, 9),dpi=100)

sns.heatmap(data=dcorr,

vmax=0.3, #上图颜色太深，不美观，让整体颜色变浅点

)

397cd431b606

image

cmp参数变换colormap

关于colormap可参考：

plt.figure(figsize=(11, 9),dpi=100)

sns.heatmap(data=dcorr,

vmax=0.3,

cmap=palettable.cmocean.diverging.Curl_10.mpl_colors, #换个colormap

)

397cd431b606

image

annot、fmt、annot_kws设置格子中文本

plt.figure(figsize=(11, 9),dpi=100)

sns.heatmap(data=dcorr,

vmax=0.3,

cmap=palettable.cmocean.diverging.Curl_10.mpl_colors,

annot=True,#图中数字文本显示

fmt=".2f",#格式化输出图中数字，即保留小数位数等

annot_kws={'size':8,'weight':'normal', 'color':'#253D24'},#数字属性设置，例如字号、磅值、颜色

)

397cd431b606

image

mask设置部分数据显示

plt.figure(figsize=(11, 9),dpi=100)

sns.heatmap(data=dcorr,

vmax=0.3,

cmap=palettable.cmocean.diverging.Curl_10.mpl_colors,

annot=True,

fmt=".2f",

annot_kws={'size':8,'weight':'normal', 'color':'#253D24'},

mask=np.triu(np.ones_like(dcorr,dtype=np.bool))#显示对脚线下面部分图

)

397cd431b606

image

square、linewidths、 cbar_kws设置方格外框、图例设置

plt.figure(figsize=(11, 9),dpi=100)

sns.heatmap(data=dcorr,

vmax=0.3,

cmap=palettable.cmocean.diverging.Curl_10.mpl_colors,

annot=True,

fmt=".2f",

annot_kws={'size':8,'weight':'normal', 'color':'#253D24'},

mask=np.triu(np.ones_like(dcorr,dtype=np.bool)),#显示对脚线下面部分图

square=True, linewidths=.5,#每个方格外框显示，外框宽度设置

cbar_kws={"shrink": .5}

)

397cd431b606

image

3、seaborn.clustermap绘制correlation clustermap

plt.figure(figsize=(11, 9),dpi=100)

sns.clustermap(data=dcorr,

vmax=0.3,

cmap=palettable.cmocean.diverging.Curl_10.mpl_colors,

linewidths=.75,

)

397cd431b606

image注意左上方分类条

row_c = dict(zip(list(ascii_letters[26:]), plt.get_cmap('RdPu')(np.linspace(0, 1, 26))))

index_c = dict(zip(list(ascii_letters[26:]), plt.get_cmap('RdPu')(np.linspace(0, 1, 26))))

sns.set(style="ticks")

plt.figure(figsize=(13, 13))

sns.clustermap(data=dcorr,

vmax=0.3,

cmap=palettable.cmocean.diverging.Curl_10.mpl_colors,

linewidths=.75,

row_colors=pd.Series(dcorr.columns.get_level_values(None), index=dcorr.columns).map(row_c), #行方向聚类用颜色区分不同类

col_colors=pd.Series(dcorr.columns.get_level_values(None), index=dcorr.columns).map(index_c),

dendrogram_ratio=0.15,# 图放大缩小

)

397cd431b606

image

相关性热图（correlation heatmap& correlation clustermap）是heatmap和clustermap的变种，更多参数设置请戳：