Matplotlib Heatmap

Heatmaps sind farbige Grafiken, die Datensätze auf zweidimensionale Weise visualisieren. Um verschiedene Details zu zeigen, verwenden die Farbkarten Ton, Intensität oder Helligkeit, um Variabilität zu induzieren. Diese Farbpalette bietet der Öffentlichkeit visuelle Signale über die Amplitude quantitativer Werte. Das menschliche Gehirn nimmt also Bilder besser wahr als Figuren, Text oder andere schriftliche Informationen; Wärmemaps scheinen darum zu sein, Zahlen durch Farbtöne zu ersetzen.

Da Menschen auditorische Lernende sind, ist es viel sinnvoller, die Daten in jedem Format darzustellen. Heatmaps sind visuelle Darstellungen von Daten, die einfach zu interpretieren sind. Hitzemaps können Themen, Variationen und sogar Aberrationen darstellen und die Sättigung oder Helligkeit von Variablen veranschaulichen. Beziehungen zwischen den Variablen können unter Verwendung von Heatmaps dargestellt werden.

Bei beiden Dimensionen werden alle Elemente angezeigt. Heatmaps haben ihre Funktionalität in Matplotlib nicht, sodass wir sie mit der IMshow -Methode herstellen können. Ein spezifischer Farbton drückt jedes Element einer Matrix in einer Matplotlib -Hitzemap aus. Wir werden die Matplotlib Heatmap in diesem Artikel durchgehen.

Verwenden Sie die IMshow -Funktion von Matplotlib, um eine einfache Wärmemap zu erstellen:

Die IMshow -Funktion in Python kann in Matplotlib eine Heatmap erzeugen. Sowohl ein randomisierter Datensatz als auch ein definierter Datensatz können verwendet werden. Danach wenden wir die IMshow -Funktion an und übergeben die Daten, den Wert von Colormap und die Interpolationstechnik (diese Methode hilft bei der Verbesserung der Bildqualität, wenn sie verwendet werden).

Für einen guten Kontrast gegen den Panelfarbton werden die Inschriften basierend auf einer Grenze unterschiedlich gefärbt. Dann schalten wir die angrenzenden axialen Stacheln aus und teilen die Cluster mit einem Raster. Die Ausgabe für den oben genannten Code kann im unteren Screenshot verstanden werden.

Heatmap mit 2D -Histogramm mit IMshow:

Eine Heatmap ist eine Farbscheme -Matrixvisualisierung rechteckiger Daten. Es akzeptiert ein 2D -Array. Ein NDarray kann aus diesen Daten erstellt werden. Da es die Beziehung zwischen mehreren Variablen veranschaulichen kann, ist dies ein nützlicher Ansatz zur Visualisierung von Datensätzen.

Hier erstellen wir ein 2-D-Histogramm mit der IMshow-Methode von Numpy und Matplotlib. Wir werden zuerst einen zufälligen Datensatz auswählen und ihn dann an die Histogram2D -Methode der Numpy Library senden. Danach wird die vollständige Wärme -visuelle Schnittstelle mit der IMSHOW -Methode angezeigt. Die Ausgabe für den oben genannten Code kann im unteren Screenshot verstanden werden.

Diese Heatmap.

Verwenden Sie Matplotlib, um eine Colorbar zu einer Heatmap hinzuzufügen:

ColorBar ist eine einfache Skala, die uns dabei hilft, zu verstehen, welche Farbe dem Wert entspricht. Matplotlib hat auch eine direkte Funktion, um eine Farbleiste auf das Diagramm anzuwenden.

Die PCOLOrmesh -Methode würde in der dritten Instanz dieses Artikels verwendet. Numpys Meshgrid- und Linspace -Methoden sind erforderlich, um diese Form einer Heatmap zu erstellen. Jetzt wäre die nächste Phase, um grundlegende mathematische Operationen zu verwenden, um die oberen und unteren Grenzen des Grundstücks zu bestimmen.

Zur Visualisierung von Heatmaps mit der PCOLOrMesh -Methode müssen wir die Nebenhandels -Technik verwenden. Der Datensatz für die ausgewählten Parameter, die in der PCOLOrMesh -Methode bereitgestellt werden.

Ein zufälliger Datensatz wird hier im Heatmap -Graph verwendet. Diesmal wird diesmal eine Mehrfachfarbkarte (CMAP) verwendet, wobei das Blues -Schema verwendet wird, das ausschließlich aus blauen Farben besteht. Die Ausgabe für den oben genannten Code kann im unteren Screenshot verstanden werden.

Wir verwenden eine Heatmap, um die Assoziation zwischen mehreren Elementsätzen zu beobachten. Die Matplotlib Heatmap mit ColorBar ist in diesem Diagramm gezeigt.

Beschriftete Heatmap:

Wir möchten einen Code schreiben, um in diesem Schritt eine bestimmte Heatmap für mehrere Datensätze und/oder Dimensionen zu generieren. Wir erstellen eine Methode, die den Datensatz sowie die Zeile- und Spaltennamen als Argument und Parameter zum Ändern des Diagramms akzeptiert.

Zusätzlich zu den oben genannten möchten wir eine Farbleiste hinzufügen und die Bildunterschriften direkt über der Heatmap einstellen, anstatt darunter.

Diese Instanz zeigt, wie Sie mit der IMSHOW -Methode kommentierte Wärmemaps erstellen. Das Heatmap -Datendiagramm ist gleich; Der visuelle Stil ändert sich jedoch. Der Datensatz für die Heatmap wird als Array bereitgestellt, und wir können eine kommentierte Heatmap mit den Nebenhandlungen und IMshow -Methoden zeichnen.

Die Matplotlib -Bibliothek wird zuerst importiert. Wir werden mit der Beschreibung bestimmter Daten beginnen. Eine 2D -Liste oder ein Array, das die Werte für bestimmte Farbe definiert, ist erforderlich. Daher werden wir die Listen oder Arrays von Kategorien initialisieren, wobei die Elemente in den jeweiligen Werten entlang der entsprechenden Achsen übereinstimmen.

Wir werden hier zwei Arrays initialisieren. Die Namen von Gemüse sind in einem Array dargestellt, und die Namen der Länder sind im zweiten Array dargestellt.

Die Heatmap ist ein IMshow -Diagramm mit Etiketten, die den Klassifikationen entsprechen, die wir jetzt haben. Darüber hinaus können wir die X- und Y-Achse identifizieren. Endlich konnten wir die Daten markieren, indem wir einen Text in jede Zelle einfügen, die den Wert der Zelle anzeigt. Die Ausgabe für den oben genannten Code kann im unteren Screenshot verstanden werden.

Diese Ausgabe zeigt die Produktion verschiedener Gemüse in verschiedenen Ländern.

Abschluss:

Eine Heatmap ist ein visuell ansprechendes Instrument zur Bestimmung der Datenhelligkeit. Es verwendet eine Vielzahl von Farben und Mustern, um den Inhalt auszudrücken. In diesem Matplotlib Heatmap -Artikel haben wir Ihnen gezeigt, wie Sie mit Matplotlib eine Heatmap erstellen können. Verschiedene Funktionen, die bei der Erstellung von Wärmemaps helfen, werden erklärt. Die Funktionen IMshow und PcolorMesh werden ebenfalls eingeführt.

Heatmaps können verwendet werden, um Daten effektiv zu analysieren und visualisieren. Wir müssen die IMSHOW -Methode mit CMAP und interpolierten Argumenten verwenden, um Wärmemaps mit Matplotlib herzustellen. Datenwissenschaftler verwenden häufig Heatmaps, um die Beziehung zwischen verschiedenen Aspekten von Daten zu untersuchen.