如何在Python中創建seaborn相關熱圖？

在資料集中，兩個變數對之間的相關性的強度和方向透過相關性熱圖進行圖形化展示，該圖展示了相關矩陣。這是一種在大規模資料集中尋找模式和連接的有效技術。

Python資料視覺化工具Seaborn提供了簡單的工具來產生統計視覺化圖形。使用者可以透過其創建相關熱圖的功能快速查看資料集的相關矩陣。

我們必須匯入資料集，計算變數的相關矩陣，然後使用 Seaborn 熱圖函數產生熱圖來建立相關熱圖。熱圖顯示一個矩陣，其顏色表示變數之間的相關程度。此外，使用者也可以在熱圖上顯示相關係數。

Seaborn 相關熱圖是一種有效的視覺化技術，用於檢查資料集中的模式和關係，可用於確定關鍵變數以進行進一步調查。

使用Heatmap()函數

heatmap函數產生一個顏色編碼的矩陣，用來說明資料集中兩對變數之間的相關性強度。 heatmap函數需要我們提供變數的相關矩陣，可以使用Pandas資料框的corr方法計算。 heatmap函數提供了許多可選選項，使用戶能夠修改熱圖的視覺效果，包括顏色方案、註釋、圖表大小和位置。

文法

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

上述函數中的參數data是表示輸入資料集的相關矩陣。用於著色熱力圖的顏色映射被稱為cmap。

Example 1

的中文翻譯為：

範例1

#在這個範例中，我們使用 Python 建立一個 seaborn 相關熱圖。首先，我們導入seaborn和matplotlib函式庫，並使用Seaborn的載入資料集函數載入iris資料集。此資料集包含 SepalLength、SepalWidth、PetalLength 和 PetalWidth 變數。鳶尾花資料集包括鳶尾花的萼片長度、萼片寬度、花瓣長度和花瓣寬度的測量。這是資訊的範例 -

的中文翻譯為： 的翻譯為： 翻譯成中文為：

序號	sepal_length	sepal_width	花瓣長度	花瓣寬度	物種
0	5.1	3.5	3.5	1.4	0.2	絲滑
1	4.9	3.0	1.4	0.2	絲滑
2	4.7	3.2	1.3	0.2	絲滑
3	4.6	4.6	3.1	1.5	0.2	絲滑
4	5.0	5.0	#3.6	1.4	0.2	絲滑

使用者可以使用Seaborn的load dataset方法將鳶尾花資料集載入到Pandas DataFrame中。然後使用Pandas資料幀的corr方法計算變數的相關矩陣，並保存在一個名為corr_matrix的變數中。我們使用Seaborn的heatmap方法產生熱力圖。我們將相關矩陣corr_matrix傳遞給函數，並將cmap參數設為"coolwarm"以使用不同的顏色表示正負相關。最後，我們使用matplotlib的pyplot模組的show方法顯示熱力圖。

# 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()

輸出

              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

範例 2

在這個範例中，我們再次使用Python建立一個seaborn相關性熱圖。首先，我們匯入seaborn和matplotlib函式庫，並使用Seaborn的load dataset函數載入鑽石資料集。鑽石資料集包括鑽石的成本和特徵的詳細信息，包括它們的克拉重量、切割、顏色和淨度。這是一個訊息的例子 −

的中文翻譯為：的中文翻譯為： 的翻譯為： 翻譯成中文為：的中文翻譯為：的中文翻譯為： 的中文翻譯為：的中文翻譯為：

序號	克拉	cut	cut	顏色	清晰度	depth	深度	表	價格	x	y	z
0	0.23	Ideal	Ideal	E	SI2	61.5	55.0	55.0	326	3.95	3.95	3.98	2.43
1	0.21	進階版	E	SI1	59.8	61.0	326	3.89	3.84	2.31
2	0.23	好	E	VS1	56.9	65.0	327	4.05	4.07	2.31
3	0.29	進階版	I	I	VS2	62.4	62.4	58.0	334	4.20	4.23	2.63
4	0.31	好	J	SI2	63.3	58.0	335	4.34	4.35	2.75	2.75

可以使用 Seaborn 的加载数据集函数将钻石数据集加载到 Pandas DataFrame 中。接下来，使用 Pandas 数据帧的 corr 方法，计算变量的相关矩阵并将其存储在名为 Diamond_corr_matrix 的变量中。为了利用不同的颜色来表示与函数的正相关和负相关，我们传递相关矩阵 corr 矩阵并将 cmap 选项设置为“coolwarm”。最后，我们使用 matplotlib 的 show 方法中的 pyplot 模块来显示热图。

# 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

热图是一种有益的图形表示形式，seaborn 使其变得简单易用。

以上是如何在Python中創建seaborn相關熱圖？的詳細內容。更多資訊請關注PHP中文網其他相關文章！