关系（二）利用python绘制热图

news2024/11/25 4:49:00

关系（二）利用python绘制热图

热图（Heatmap）简介

热图适用于显示多个变量之间的差异，通过颜色判断彼此之间是否存在相关性。

快速绘制

基于seaborn

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

# 自定义数据
df = pd.DataFrame(np.random.random((5,5)), columns=["a","b","c","d","e"])

# 利用seaborn的heatmap函数创建
sns.heatmap(df)

plt.show()

定制多样化的热图

自定义热图一般是结合使用场景对相关参数进行修改，并辅以其他的绘图知识。参数信息可以通过官网进行查看，其他的绘图知识则更多来源于实战经验，大家不妨将接下来的绘图作为一种学习经验，以便于日后总结。

seaborn主要利用heatmap绘制热图，可以通过seaborn.heatmap了解更多用法

不同输入格式的热图

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import pandas as pd
np.random.seed(0)

sns.set(font='SimHei', font_scale=0.8, style="white") # 解决Seaborn中文显示问题

# 初始化
fig = plt.figure(figsize=(12,8))

# 宽型：是一个矩阵，其中每一行都是一个个体，每一列都是一个观察值。即热图的每个方块代表一个单元格
df = pd.DataFrame(np.random.random((6,5)), columns=["a","b","c","d","e"])

ax = plt.subplot2grid((2, 2), (0, 0), colspan=1)
sns.heatmap(df)
ax.set_title('宽型')

# 方型：相关矩阵热图
df = pd.DataFrame(np.random.random((100,5)), columns=["a","b","c","d","e"]) 
corr_matrix=df.corr() # 计算相关矩阵

ax = plt.subplot2grid((2, 2), (0, 1), colspan=1)
sns.heatmap(corr_matrix)
ax.set_title('方型')

# 方型：对角矩阵
df = pd.DataFrame(np.random.random((100,5)), columns=["a","b","c","d","e"]) 
corr_matrix=df.corr() # 计算相关矩阵
mask = np.zeros_like(corr_matrix)
mask[np.triu_indices_from(mask)] = True # 生成上三角蒙版

ax = plt.subplot2grid((2, 2), (1, 0), colspan=1)
sns.heatmap(corr_matrix, mask=mask, square=True)
ax.set_title('方型-对角矩阵')

# 长型：每一行代表一个观测结果，输入三个变量（x,y,z）
people = np.repeat(("A","B","C","D","E"),5)
feature = list(range(1,6))*5
value = np.random.random(25)
df = pd.DataFrame({'feature': feature, 'people': people, 'value': value })
# 数据透视
df_wide = df.pivot_table( index='people', columns='feature', values='value') 

ax = plt.subplot2grid((2, 2), (1, 1), colspan=1)
sns.heatmap(df_wide)
ax.set_title('长型')

fig.tight_layout() # 自动调整间距
plt.show()

自定热图

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import pandas as pd
np.random.seed(0)

sns.set(font='SimHei', font_scale=0.8, style="white") # 解决Seaborn中文显示问题

# 自定义数据
df = pd.DataFrame(np.random.random((10,10)), columns=["a","b","c","d","e","f","g","h","i","j"])

# 初始化
fig = plt.figure(figsize=(9,8))

# 显示值标签
ax = plt.subplot2grid((3, 2), (0, 0), colspan=1)
sns.heatmap(df, annot=True, annot_kws={"size": 7})
ax.set_title('显示值标签')

# 自定义网格线
ax = plt.subplot2grid((3, 2), (0, 1), colspan=1)
sns.heatmap(df, linewidths=2, linecolor='yellow')
ax.set_title('自定义网格线')

# 移除x、y或者颜色bar
ax = plt.subplot2grid((3, 2), (1, 0), colspan=1)
sns.heatmap(df, yticklabels=False, cbar=False)
ax.set_title('移除部分轴元素')

# 减少标签数量
ax = plt.subplot2grid((3, 2), (1, 1), colspan=1)
sns.heatmap(df, xticklabels=4)
ax.set_title('减少标签数量')

# 指定中心值
ax = plt.subplot2grid((3, 2), (2, 0), colspan=1)
sns.heatmap(df, center=1)
ax.set_title('指定中心值')

# 指定颜色
ax = plt.subplot2grid((3, 2), (2, 1), colspan=1)
sns.heatmap(df, cmap="YlGnBu")
ax.set_title('指定颜色')


fig.tight_layout() # 自动调整间距
plt.show()

数据标准化

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import pandas as pd
np.random.seed(0)

sns.set(font='SimHei', font_scale=0.8, style="white") # 解决Seaborn中文显示问题

# 自定义数据
df = pd.DataFrame(np.random.randn(10,10) * 4 + 3)
# 列含异常值与标准化
df_col = df.copy()
df_col[1]=df_col[1]+40 # 构造异常数据点
df_norm_col=(df_col-df_col.mean())/df_col.std() # 按列标准化
# 行含异常值与标准化
df_row = df.copy()
df_row.iloc[2]=df_row.iloc[2]+40 # 构造异常数据点
df_norm_row = df_row.apply(lambda x: (x-x.mean())/x.std(), axis = 1) # 按行标准化


# 初始化
fig = plt.figure(figsize=(12,8))

# 列含异常数据
ax = plt.subplot2grid((2, 2), (0, 0), colspan=1)
sns.heatmap(df_col, cmap='viridis')
ax.set_title('列含异常数据')

# 按列标准化
ax = plt.subplot2grid((2, 2), (0, 1), colspan=1)
sns.heatmap(df_norm_col, cmap='viridis')
ax.set_title('按列标准化')

# 行含异常数据
ax = plt.subplot2grid((2, 2), (1, 0), colspan=1)
sns.heatmap(df_row, cmap='viridis')
ax.set_title('行含异常数据')

# 按行标准化
ax = plt.subplot2grid((2, 2), (1, 1), colspan=1)
sns.heatmap(df_norm_col, cmap='viridis')
ax.set_title('按行标准化')


fig.tight_layout() # 自动调整间距
plt.show()

引申-聚类热图

可以通过seaborn.clustermap了解更多用法

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import pandas as pd

# 导入数据
df = pd.read_csv('https://raw.githubusercontent.com/holtzy/The-Python-Graph-Gallery/master/static/data/mtcars.csv')
df = df.set_index('model')

# 基本聚类热图
g = sns.clustermap(df, standard_scale=1) # 标准化处理

plt.show()