Python 如何创建seaborn相关热力图

相关热力图以图形方式显示数据集中两个变量对之间的相关性的强度和方向，并显示相关矩阵。这是在大规模数据集中查找模式和连接的有效技术。

Python数据可视化工具包Seaborn提供了简单的工具来生成统计图形。由于其创建相关热力图的功能，用户可以快速查看数据集的相关矩阵。

我们需要导入数据集，计算变量的相关矩阵，然后使用Seaborn的热力图函数生成热力图以构建相关热力图。热力图显示一个颜色矩阵，颜色表示变量之间的相关程度。此外，用户还可以在热力图上显示相关系数。

Seaborn的相关热力图是一种有效的可视化技术，用于检查数据集中的模式和关系，并可用于确定需要进一步研究的关键变量。

使用Heatmap()函数

heatmap函数生成一个带有颜色编码的矩阵，用于显示数据集中两个变量之间的相关性强度。heatmap函数需要将变量的相关矩阵传递给它，该矩阵可以使用Pandas数据框架的corr方法计算得到。heatmap函数提供了各种可选选项，让用户可以更改热力图的视觉外观，包括颜色方案、注释、图形大小和位置。

语法

import seaborn as sns
sns.heatmap(data, cmap=None, annot=None)

上述函数中的参数数据是表示输入数据集的相关矩阵。用于着色热力图的色图称为cmap。

示例1

在这个示例中，我们使用Python创建了一个seaborn相关热力图。首先，我们导入seaborn和matplotlib库，并使用Seaborn的load dataset函数加载鸢尾花数据集。该数据集包括SepalLength，SepalWidth，PetalLength和PetalWidth变量。鸢尾花数据集包括鸢尾花的萼片长度，萼片宽度，花瓣长度和花瓣宽度的测量数据。这是一个信息的示例 –

Serial no	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	Setosa
2	4.7	3.2	1.3	0.2	Setosa
3	4.6	3.1	1.5	0.2	Setosa
4	5.0	3.6	1.4	0.2	setosa

用户可以使用Seaborn的load dataset方法将鸢尾花数据集加载到Pandas DataFrame中。然后，使用Pandas数据框的corr方法计算变量的相关矩阵，并保存在名为corr_matrix的变量中。我们使用Seaborn的heatmap方法生成热力图。我们将相关矩阵corr_matrix传递给函数，并将cmap参数设置为”coolwarm”，以使用不同的颜色表示正相关和负相关。最后，我们使用matplotlib的pylot模块的show方法显示热力图。

# Required libraries 
import seaborn as sns
import matplotlib.pyplot as plt

# Load the iris dataset into a Pandas dataframe
iris_data = sns.load_dataset('iris')

# Creating the correlation matrix of the iris dataset
iris_corr_matrix = iris_data.corr()
print(iris_corr_matrix)

# Create the heatmap using the `heatmap` function of Seaborn
sns.heatmap(iris_corr_matrix, cmap='coolwarm', annot=True)

# Display the heatmap using the `show` method of the `pyplot` module from matplotlib.
plt.show()

输出

sepal_length  sepal_width  petal_length  petal_width
sepal_length      1.000000    -0.117570      0.871754     0.817941
sepal_width      -0.117570     1.000000     -0.428440    -0.366126
petal_length      0.871754    -0.428440      1.000000     0.962865
petal_width       0.817941    -0.366126      0.962865     1.000000

###
Python 如何创建seaborn相关热力图

示例2

在这个示例中，我们再次使用Python创建一个seaborn的相关热力图。首先，我们导入seaborn和matplotlib库，并使用seaborn的load_dataset函数加载diamonds数据集。diamonds数据集包括有关钻石的成本和特征的详细信息，包括它们的克拉重量、切割、颜色和清晰度。这是一个有关信息的示例−

Serial no	carat	cut	color	clarity	depth	table	price	x	y	z
0	0.23	Ideal	E	SI2	61.5	55.0	326	3.95	3.98	2.43
1	0.21	Premium	E	SI1	59.8	61.0	326	3.89	3.84	2.31
2	0.23	Good	E	VS1	56.9	65.0	327	4.05	4.07	2.31
3	0.29	Premium	I	VS2	62.4	58.0	334	4.20	4.23	2.63
4	0.31	Good	J	SI2	63.3	58.0	335	4.34	4.35	2.75

可以使用Seaborn的load_dataset函数将钻石数据集加载到Pandas DataFrame中。接下来，使用Pandas dataframe的corr方法计算变量的相关系数矩阵，并存储在名为diamond_corr_matrix的变量中。为了在函数中使用不同的颜色来表示正相关和负相关，我们将相关系数矩阵corr_matrix传递给函数，并将cmap选项设置为”coolwarm”。最后，我们使用matplotlib的pyplot模块的show方法来显示热图。

# Required libraries 
import seaborn as sns
import matplotlib.pyplot as plt

# Load the diamond dataset into a Pandas dataframe
diamonds_data = sns.load_dataset('diamonds')

# Compute the correlation matrix of the variables
diamonds_corr_matrix = diamonds_data.corr()
print(diamonds_corr_matrix)

# Create the heatmap using the `heatmap` function of Seaborn
sns.heatmap(diamonds_corr_matrix, cmap='coolwarm', annot=True)

# Display the heatmap using the `show` method of the `pyplot` module from matplotlib.
plt.show()

输出

carat     depth     table     price         x         y         z
carat  1.000000  0.028224  0.181618  0.921591  0.975094  0.951722  0.953387
depth  0.028224  1.000000 -0.295779 -0.010647 -0.025289 -0.029341  0.094924
table  0.181618 -0.295779  1.000000  0.127134  0.195344  0.183760  0.150929
price  0.921591 -0.010647  0.127134  1.000000  0.884435  0.865421  0.861249
x      0.975094 -0.025289  0.195344  0.884435  1.000000  0.974701  0.970772
y      0.951722 -0.029341  0.183760  0.865421  0.974701  1.000000  0.952006
z      0.953387  0.094924  0.150929  0.861249  0.970772  0.952006  1.000000

Python 如何创建seaborn相关热力图