Seeborn Correlation Heatmap

„Für Datenanalysten ist Korrelation eine entscheidende Ursache für die Beeinflussung. Es erklärt, wie Elemente in einer Daten miteinander in Verbindung stehen und ob sich diese gegenseitig verändern. Der korrelierte Wert kann von -1 bis +1 variieren. Der Begriff „Korrelation“ zeigt an, dass unabhängige Mengen nicht miteinander zu tun haben. Eine positive Korrelation bedeutet, dass die Elemente effektiv funktionieren, während ein negativer Assoziation bedeutet, dass sie sich in verschiedene Richtungen bewegen. Mit Hilfe des Seeborn -Pakets können wir die Korrelationsmatrix visualisieren. Es macht es einfach, die Quelldaten zu analysieren und wird in der analytischen Arbeit ausgiebig eingesetzt. In diesem Artikel zeigen wir Ihnen, wie Sie die Methode für Heatmap () verwenden, um die Kovarianzmatrix zu erstellen.”

Beispiel Nr. 1

Die Heatmap ist eine bildliche Darstellung von Matrixdaten mit spezifischen Farbfarben mit unterschiedlichen Werten. Es zeigt die Gesamtmatrix sehr präzise. Im folgenden Beispiel haben wir eine Heatmap verwendet, um eine Korrelationsanalyse darzustellen.

Pandas als PD importieren
Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
df = pd.DataFrame (“2^nd Monat ": [8,2,4,6,9,0,6,7],
"3^Rd Monat ": [3,1,7,3,2,8,4,1],
"4^th Monat ": [5,7,6,9,7,0,3,4],
"5^th Monat ": [4,7,8,4,2,9,7,6])
sns.Heatmap (df.corr ())
PLT.zeigen()

Hier integrieren wir die Header -Dateien Pandas, Matplotlib.Pyplot und Seeborn. Die Header -Datei Pandas wird als PD, Matplotlib integriert.Pyplot als PLT und Seeborn als SNS. Um den Datensatz zu definieren, haben wir vier verschiedene Arrays erstellt. Diese Arrays enthalten unterschiedliche zufällige numerische Werte.

Wir haben die DataFrame () -Methode angewendet. Diese Funktion bezieht sich auf die Pandas -Bibliothek. Um die Seeborn -Korrelations -Hitzemap zu zeichnen, werden wir die Wärmemap () -Funktion aufrufen. Wir haben den Corr () als Parameter für die Funktion heatmap () des Seeborn -Moduls gegeben. Wir haben die Funktion show () aufgerufen, um die Handlung zu veranschaulichen.

Beispiel Nr. 2

Wir werden eine SeaBorn -Korrelations -Hitzemap -Visualisierung zeichnen. Die Corr () -Methode wird verwendet, um die Kovarianzmatrix des DataFrame zu erhalten. Diese Methode könnte verwendet werden, um mehrere Arten von Korrelationskoeffizienten zu analysieren. Der Farbton für jedes Element im Tonachsenrahmen wird angegeben. Zahlreiche Variablen würden verwendet, um die Grafik zu ändern.

Pandas als PD importieren
Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
df = pd.DataFrame (“2^nd Monat ": [8,2,4,6,9,0,6,7],
"3^Rd Monat ": [3,1,7,3,2,8,4,1],
"4^th Monat ": [5,7,6,9,7,0,3,4],
"5^th Monat ": [4,7,8,4,2,9,7,6])
sns.Heatmap (df.corr (), vmin = -1, vmax = +1, Annot = true, cmap = 'coolWarm')
PLT.zeigen()

Zunächst werden wir die erforderlichen Bibliotheken Pandas als PD, Matplotlib, einbeziehen.Pyplot als PLT und Seeborn als SNS. Wir haben vier Arrays definiert, um die Datenerfassung darzustellen. In diesen Arrays sind verschiedene Zufallszahlen enthalten. Die DataFrame () -Funktion wurde verwendet. Diese Methode ist mit dem Panda des Pandas verbunden.

Wir werden die Wärme- () -Methode anwenden, um die SeaBorn -Korrelations -Wärmemap zu erzeugen. Wir haben Corr () als Argument für die Wärme () -Methode der Seeborn Library bestanden. Der Wert des Parameters "Annot" wird auf "True" gesetzt. Um das Diagramm zu visualisieren, haben wir die Show () -Methode aufgerufen.

Der visuelle Achsenwert wird durch Verwendung von VMIN- und VMAX -Parametern definiert. Der CMAP -Parameter verändert hier die Farbkombination des Diagramms. Die Korrelationsdaten werden mit Hilfe der Annotoption in den Blöcken angezeigt.

Beispiel Nr. 3

Wenn ein Teil des Inhalts über eine Kante der Haupthorizontalebene beseitigt wird, werden keine relevanten Daten entfernt, da sie dupliziert sind. Wir werden jedoch aus diesem Grund eine dreieckige Karte erstellen, wie wir unten sehen.

Pandas als PD importieren
Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Numph als NP importieren
df = pd.DataFrame (“2^nd Monat ": [8,2,4,6,9,0,6,7],
"3^Rd Monat ": [3,1,7,3,2,8,4,1],
"4^th Monat ": [5,7,6,9,7,0,3,4],
"5^th Monat ": [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.zeigen()

Zu Beginn des Programms importieren wir die erforderlichen Bibliotheken Pandas als PD, Matplotlib.Pyplot als PLT und Seeborn als SNS. Wir werden vier verschiedene Arrays festlegen, um den Datensatz zu verkörpern. An diesen Arrays waren zahlreiche zufällige Zahlen beteiligt. Als nächstes haben wir die Funktion DataFrame () angewendet. Das Pandas -Modul ist mit dieser Funktion verknüpft. Wir werden die Hitzemap () -Funktion aufrufen.

Wir haben den Corr () als Argument für die Wärmemap () -Methode des Seeborn -Pakets angegeben. Wir haben die höchsten und niedrigsten Werte der Kanten sowie den Farbton der Handlung und Maske als Argument bereitgestellt. Der Wert des Parameters "Annot" wird als "wahr" definiert, und der Wert von "Maske" wird "upp_mat" sein. Um das resultierende Diagramm darzustellen, haben wir die Show () -Methode aufgerufen.

Im vorhergehenden Programm verwenden wir VMAX, um die oberste Pyramide der Diagonal zu erhalten, und filtern sie dann mit Hilfe des Maskenparameters der Maskenmaske des Wärmemethode (). Ebenso kann die VMIN verwendet werden, um die untere Pyramide zu verschleiern.

Beispiel Nr. 4

Wir können nur einen Parameter integrieren und seine Assoziation mit mehreren anderen Elementen bewerten, was eine faszinierende Darstellung ist. Die Assoziation des Parameters des 3. Monat zwischen anderen Elementen wird in diesem Fall veranschaulicht.

Pandas als PD importieren
Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Numph als NP importieren
df = pd.DataFrame (“2^nd Monat ": [8,2,4,6,9,0,6,7],
"3^Rd Monat ": [3,1,7,3,2,8,4,1],
"4^th Monat ": [5,7,6,9,7,0,3,4],
"5^th Monat ": [4,7,8,4,2,9,7,6])
upp_mat = np.Triu (df.corr ())
sns.Heatmap (df.corr () ['3^Rd Monat '], vmin = -1, vmax = +1, Annot = true, cmap =' CoolWarm ')
PLT.zeigen()

Wir werden die essentiellen Frameworks Pandas als PD, Matplotlib, einbeziehen.Pyplot als PLT und Seeborn als SNS zu Beginn des Codes als SNS. Um die gesammelten Daten zu verkapseln, erstellen wir vier verschiedene Listen. Diese Listen haben viele zufällige Werte enthalten. Danach verwenden wir die DataFrame () -Methode. Diese Methode ist untrennbar mit dem Pandas -Paket verbunden.

Um die Seeborn -Korrelations -Wärmemap einzubetten, nennen wir die Wärme- () -Methode. Die Corr () -Funktion wurde als Parameter an die Funktion des SeaBorn -Moduls von Heatmap () übergeben. Wir haben auch die größten und niedrigsten Werte der Kanten sowie die Farbe und Maske des Handels als Eingabe angegeben. Das Argument „Annot“ wird auf „wahr“ eingestellt, und das Argument „CMAP“ wird auf "Coolwarm" gesetzt.”Der„ 3. Monat “wird als Parameter an die Funktion corr () übergeben. Wir haben die Funktion show () verwendet, um die produzierte Grafik zu sehen.

Abschluss

In diesem Artikel haben wir über die zahlreichen Methoden gesprochen, mit denen die Seeborn -Korrelations -Hitzemap gezogen wird. Wir können die Farbe der Heatmap ändern, indem wir den CMAP -Parameter für die Funktion bereitstellen. Eine Korrelationshitzemap ist eine Visualisierung, die eine zweidimensionale Kovarianzmatrix zwischen 2 verschiedenen Parametern darstellt, die farbige Zellen enthält, die Werte auf einem minimalistischen Spektrum anzeigen.