【python画图_变量相关性(heatmap、pairplot)】

在进行数据分析的时候，图形可以帮助我们更直观的了解数据形态，那么常用的都有哪些图形呢？这些图形要怎么绘制？今天我们就先学习一下如何绘制图形，可以更直观的表示两个变量之间的相关性。

1、热力图heatmap

import numpy as np
import pandas as pd
from pandas import DataFrame as df
from sklearn.datasets import load_boston
from matplotlib import pyplot as plt
import seaborn as sns
​
## 提取数据
data = df(load_boston().data, columns=load_boston().feature_names)
data['target'] =  load_boston().target
​
## 描述两变量相关性
coeff = data.iloc[:,:-1].corr() # 相关性
sns.heatmap(coeff)

heatmap 常用参数理解

• vmin、vmax

# vmin=None, vmax=None:用于锚定色彩映射的值，否则它们是从数据和其他关键字参数推断出来的
sns.heatmap(coeff, vmin=-1, vmax=1)

• cmap

# cmap=None：颜色的选择，后面带“_r”的颜色倒置：Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r
sns.heatmap(coeff, cmap='YlGnBu')

• center

# center=None：可以调整图像颜色的深浅
sns.heatmap(coeff, cmap='YlGnBu', center=0.5)

• linewidths

# linewidths=0：单元格间宽度
sns.heatmap(coeff, cmap='YlGnBu', linewidths=3)

• linecolor

# linecolor='white'：单元格间的颜色
sns.heatmap(coeff, cmap='YlGnBu', linewidths=3, linecolor='black')

• cbar

# cbar=True：是否绘制颜色条
sns.heatmap(coeff, cmap='YlGnBu', cbar=False)

• square

# square=False：True:每个单元格为方形
sns.heatmap(coeff, cmap='YlGnBu', square=True)

• annot

# annot=None：单元格内写入值 
sns.heatmap(coeff, cmap='YlGnBu', annot=True)

• annot_kws

#annot_kws=None：单元格内写入值的设置
sns.heatmap(coeff, cmap='YlGnBu', annot=True, annot_kws={'size':5,'weight':'bold', 'color':'white'})

• fmt

# fmt='.2g',设置字符格式
sns.heatmap(coeff, cmap='YlGnBu', annot=True, annot_kws={'size':5,'weight':'bold', 'color':'white'}, fmt='.3f')

• xticklabels、yticklabels

# xticklabels='auto', yticklabels='auto'：设置轴名称,False:不设置，也可以为列表 
sns.heatmap(coeff, cmap='YlGnBu', xticklabels=False,yticklabels=False)

2、pairplot

pairplot不仅可以绘制变量X间的相关性，也可以展示每个变量X与结果Y之间的关系，下面我们就以X与Y的关系为例绘制图形。

from sklearn.datasets import load_breast_cancer
data = df(load_breast_cancer().data, columns=load_breast_cancer().feature_names)
data['target'] =  load_breast_cancer().target
# 我们这里只取后面几个字段
data1 = data.iloc[:,-5:]
sns.pairplot(data1)

pairplot 常用参数理解

• hue

# hue=None：针对某一字段进行分类
sns.pairplot(data1, hue='target')

• hue_order

# hue_order=None：颜色变量的顺序
sns.pairplot(data1, hue='target', hue_order=[1,0])

• palette

# palette=None：设置分类字段的颜色
sns.pairplot(data1, hue='target', palette='YlGnBu')

• kind

# kind='scatter'：非对角线上的图形形式，共四种：scatter、kde、hist、reg
sns.pairplot(data1, hue='target', palette='YlGnBu', kind='kde')

sns.pairplot(data1, hue='target', palette='YlGnBu', kind='hist')

sns.pairplot(data1, hue='target', palette='YlGnBu', kind='reg')

• diag_kind

# diag_kind='auto':对角线上的图形形式，hist、kde
sns.pairplot(data1, hue='target', palette='YlGnBu', kind='scatter', diag_kind='hist')

• markers

# markers=None：散点的样式，'o','*','s','D','p','>' 
sns.pairplot(data1, hue='target', palette='YlGnBu', markers=['*','s'])

• corner

# corner=False：corner=True，下三角显示图形
sns.pairplot(data1, hue='target', palette='YlGnBu', corner=True)

• height、aspect

# height=2.5：每张图的高，aspect=1：宽度，相对于高， 0.5就是 高*0.5
sns.pairplot(data1, hue='target', palette='YlGnBu', height=1)

• x_vars、y_vars

# x_vars=None,y_vars=None：指定x_vars和y_vars
sns.pairplot(data1, hue='target', palette='YlGnBu', x_vars=['worst concavity','worst concave points'], y_vars=['worst symmetry','worst fractal dimension'])

详细内容请看我公众号~
【python画图_变量相关性(heatmap、pairplot)】