Mappa di calore di correlazione di Seaborn

“Per gli analisti dei dati, la correlazione è una causa influenzante cruciale. Spiega come gli elementi in un dati sono correlati tra loro e se questi cambiano l'un l'altro. Il valore correlato può variare da -1 a +1. Il termine "correlazione" indica che le quantità indipendenti non sono correlate tra loro. Una correlazione positiva significa che gli elementi funzionano in modo efficace, mentre un'associazione negativa significa che si stanno muovendo in diverse direzioni. Con l'aiuto del pacchetto Seaborn, possiamo visualizzare la matrice di correlazione. Semplifica l'analizzazione dei dati di origine ed è ampiamente impiegato nel lavoro analitico. In questo articolo, ti mostreremo come utilizzare il metodo HeatMap () per creare la matrice di covarianza."

Esempio n. 1

La mappa di calore è una rappresentazione pittorica dei dati della matrice, con tonalità di colore specifiche con valori distinti. Descrive la matrice totale in modo molto conciso. Nel seguente esempio, avremo utilizzato una mappa di calore per rappresentare un'analisi di correlazione.

Importa panda come PD
Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
df = pd.DataFrame ("2^nd Mese ": [8,2,4,6,9,0,6,7],
"3^Rd Mese ": [3,1,7,3,2,4,1],
"4^th Mese ": [5,7,6,9,7,0,3,4],
"5^th Mese ": [4,7,8,4,2,9,7,6])
SNS.Heatmap (df.corr ())
Plt.spettacolo()

Qui integremo i file di intestazione Panda, matplotlib.Piglot e Seaborn. Il file di intestazione verrà integrato come PD, matplotlib.Pyplot come PLT e Seaborn come SNS. Per definire il set di dati, abbiamo creato quattro diversi array. Questi array contengono valori numerici casuali diversi.

Abbiamo applicato il metodo DataFrame (). Questa funzione è correlata alla libreria dei Pandas. Per disegnare la correlazione di Seaborn Mamap di calore, chiameremo la funzione di calore (). Abbiamo dato il corr () come parametro alla funzione di calore () del modulo Seaborn. Abbiamo invocato la funzione show () per illustrare la trama.

Esempio n. 2

Disegneremo una visualizzazione della mappa di calore di correlazione marittima. Il metodo Corr () viene utilizzato per ottenere la matrice di covarianza del Frame Data. Questo metodo potrebbe essere usato per analizzare più tipi di coefficienti di correlazione. Verrà specificata la tonalità per ogni elemento nella cornice degli assi di tono. Numerose variabili verrebbero utilizzate per modificare il grafico.

Importa panda come PD
Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
df = pd.DataFrame ("2^nd Mese ": [8,2,4,6,9,0,6,7],
"3^Rd Mese ": [3,1,7,3,2,4,1],
"4^th Mese ": [5,7,6,9,7,0,3,4],
"5^th Mese ": [4,7,8,4,2,9,7,6])
SNS.Heatmap (df.corr (), vmin = -1, vmax = +1, annot = true, cmap = 'coolwarm')
Plt.spettacolo()

Prima di tutto, incorporeremo le biblioteche richieste Panda come PD, matplotlib.Pyplot come PLT e Seaborn come SNS. Abbiamo definito quattro array per rappresentare la raccolta dei dati. Vari numeri casuali sono inclusi in questi array. La funzione DataFrame () è stata utilizzata. Questo metodo è associato al pacchetto del panda.

Applicheremo il metodo HeatMap () per creare la correlazione di Seaborn Heat Map. Abbiamo superato corr () come argomento al metodo HeatMap () della Biblioteca Seaborn. Il valore del parametro "annot" verrà impostato su "true". Per visualizzare la trama, abbiamo invocato il metodo Show ().

Il valore dell'asse visivo viene definito utilizzando i parametri VMIN e VMAX. Il parametro CMAP qui modifica la combinazione di colori del grafico. I dati di correlazione sono presentati sui blocchi con l'aiuto dell'opzione annot.

Esempio n. 3

Quando viene eliminata una parte del contenuto attraverso un bordo del piano orizzontale principale, non viene rimosso alcun dato pertinente in quanto è duplicato. Tuttavia, faremo una mappa triangolare per questo, come vediamo sotto.

Importa panda come PD
Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
Importa Numpy come NP
df = pd.DataFrame ("2^nd Mese ": [8,2,4,6,9,0,6,7],
"3^Rd Mese ": [3,1,7,3,2,4,1],
"4^th Mese ": [5,7,6,9,7,0,3,4],
"5^th Mese ": [4,7,8,4,2,9,7,6])
UPP_MAT = NP.triu (df.corr ())
SNS.Heatmap (df.corr (), vmin = -1, vmax = +1, annot = true, cmap = 'coolwarm', mask = upp_mat)
Plt.spettacolo()

All'inizio del programma, importeremo le biblioteche richieste Panda come PD, matplotlib.Pyplot come PLT e Seaborn come SNS. Imposteremo quattro array distinti per incarnare il set di dati. Numerose figure casuali sono state coinvolte in questi array. Successivamente, abbiamo applicato la funzione DataFrame (). Il modulo dei Pandas è collegato a questa funzione. Chiameremo la funzione HeatMap () per inserire la correlazione della correlazione marittima.

Abbiamo specificato il corr () come argomento sul metodo HeatMap () del pacchetto Seaborn. Abbiamo fornito i valori più alti e più bassi dei bordi, nonché la tinta della trama e della maschera come argomento. Il valore del parametro "annot" sarà definito come "vero" e il valore di "maschera" sarà "upp_mat". Per descrivere il grafico risultante, abbiamo chiamato il metodo Show ().

Nel programma precedente, utilizziamo VMAX per ottenere la piramide più alta della diagonale e quindi filtrai con l'aiuto del parametro Mask del metodo HeatMap (). Allo stesso modo, il vmin può essere usato per mascherare la piramide inferiore.

Esempio n. 4

Possiamo integrare un solo parametro e valutare la sua associazione con diversi altri elementi, il che è una rappresentazione intrigante. L'associazione del parametro del 3 ° mese tra altri elementi è illustrata in questa istanza.

Importa panda come PD
Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
Importa Numpy come NP
df = pd.DataFrame ("2^nd Mese ": [8,2,4,6,9,0,6,7],
"3^Rd Mese ": [3,1,7,3,2,4,1],
"4^th Mese ": [5,7,6,9,7,0,3,4],
"5^th Mese ": [4,7,8,4,2,9,7,6])
UPP_MAT = NP.triu (df.corr ())
SNS.Heatmap (df.corr () [['3^Rd Mese ']], vmin = -1, vmax = +1, annot = true, cmap =' coolwarm ')
Plt.spettacolo()

Includeremo i panda dei quadri essenziali come PD, matplotlib.Pyplot come PLT e Seaborn come SNS all'inizio del codice. Per incapsulare i dati raccolti, faremo quattro elenchi diversi. Questi elenchi hanno incluso molti valori casuali. Successivamente, utilizzeremo il metodo DataFrame (). Questo metodo è indissolubilmente legato al pacchetto dei Pandas.

Per incorporare la correlazione di Seaborn Matma di calore, chiameremo il metodo HeatMap (). La funzione corr () è stata passata come parametro alla funzione di calore () del modulo Seaborn. Abbiamo anche specificato i valori più grandi e più bassi dei bordi e il colore e la maschera della trama come input. L'argomento "annot" sarà impostato su "vero" e l'argomento "cmap" sarà impostato su "freddo."Il" 3 ° mese "verrà passato alla funzione corr () come parametro. Abbiamo usato la funzione show () per vedere il grafico prodotto.

Conclusione

In questo articolo, abbiamo parlato delle numerose metodologie che vengono utilizzate per disegnare la mappa di calore della correlazione di Seaborn. Possiamo cambiare il colore della mappa di calore fornendo il parametro CMAP alla funzione. Una mappa di calore di correlazione è una visualizzazione che raffigura una matrice di covarianza bidimensionale tra 2 parametri diversi, contenenti cellule colorate che mostrano valori su uno spettro minimalista.