Seeborn Heatmap -Farben

Heatmaps sind farbige Karten, die Daten in einem zweidimensionalen Format anzeigen. Die Farbvariation wird durch Verwendung von Farbton, Sättigung oder Helligkeit erreicht, um die verschiedenen Informationen über die Farbkarten darzustellen. Diese Farbvariation liefert den Lesern visuelle Informationen über die Größe quantitativer Werte. Heatmaps ersetzen Zahlen durch Farben, da der menschliche Geist die Ansichten besser versteht als die Textdaten. In Anbetracht der Tatsache, dass Menschen in erster Linie visuell sind, ist es sinnvoll, die Daten auf irgendeine Weise zu präsentieren. Heatmaps sind einfache visuelle Darstellungen von Daten,. Infolgedessen werden Datenvisualisierungstools wie Heatmaps immer beliebter.

Wärmemaps werden verwendet, um Muster, Varianz und Anomalien anzuzeigen sowie die Sättigung oder Intensität der Variablen darzustellen. Die Beziehungen zwischen Variablen werden über Heatmaps dargestellt. Beide Achsen werden verwendet, um diese Variablen zu zeichnen. Indem wir die Farbverschiebung in der Zelle beobachten, können wir nach den Mustern suchen. Es nimmt nur numerische Eingaben ein und zeigt es im Netz, wobei unterschiedliche Datenwerte durch die unterschiedliche Farbintensität angezeigt werden.

Viele verschiedene Farbschemata können verwendet werden, um die Wärmekarte zu zeigen, die jeweils eigene Wahrnehmungsvorteile und Nachteile haben. Farben in der Heatmap geben Muster in den Daten an. Die Erkenntnis von Mustern kann durch die entsprechenden Farbpaletten erleichtert werden, kann aber auch durch die schlechten Farbauswahl behindert werden.

Colormaps werden zur Visualisierung von Heatmaps verwendet, da sie ein einfacher und effektiver Weg sind, um Daten zu sehen. Für verschiedene Arten von Wärme könnten verschiedene Colormaps verwendet werden. In diesem Artikel werden wir untersuchen, wie man mit den Colormaps mit Seeborn Heatmaps interagiert.

Beispiel 1: Legen Sie das sequentielle Colormaps -Diagramm ein

Wenn sich die Datenwerte (numerisch) von hoch zu niedrig ändern und nur einer von ihnen für die Analyse signifikant ist, verwenden wir die sequentiellen Colormaps. Beachten Sie, dass wir einen Colormap mit SNS erstellt haben.Farbpalette () und die Farben im Colormap mit SNS gezeigt.palplot (). In der folgenden Instanz wird erläutert.

Im folgenden Python -Skript stellen wir die drei Module zur Verfügung, die erforderlich sind, damit der Code funktioniert. Anschließend setzen wir den Saatgutwert Null in die zufällige Funktion zur Erzeugung von Zufallszahlen ein. Wir erstellen die Felddaten, bei denen die Rand-Funktion aufgerufen wird, die eine Zufallszahl in einem angegebenen Intervall für die X-Achse und die Y-Achse generiert. Anschließend erstellen wir eine Colormap -Variable, in der die color_palette die Farbe „rote“ erstellt hat. Am Ende wird die CMAP -Farbe für die Heatmap verwendet.

Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Numph als NP importieren
np.willkürlich.Samen (0)
Data = np.willkürlich.Rand (10, 10)
Colormap = sns.color_palette ("rot")
ax = sns.Heatmap (Daten, CMAP = Colormap)
PLT.zeigen()

Die sequentielle Farbhitzemap wird so aus dem vorherigen Skript dargestellt.

Beispiel 2: Setzen Sie die sequentiellen Colormaps mit dem CMAP -Argumentdiagramm

Da „Rote“ ein eingebauter Colormap in Seeborn ist, kann es auch direkt an das CMAP-Argument übergeben werden.

Es ist erwähnenswert. Hier ist ein tieferer Blick auf die Colormaps, die in den in der folgenden Abbildung erwähnten Wärmemaps erhalten wurden:

Wir haben eine Null für den Rand -Saat. Wir setzen das Intervall (15,15) sowohl für die x-Achse als auch für die y-Achse. Dann haben wir ein Argument CMAP bestanden, das die Farbe „Blues“ innerhalb der Heatmap -Funktion hat. Dies erzeugt die „blauen“ Farbvariationen der Heatmap.

Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Numph als NP importieren
np.willkürlich.Samen (0)
Data = np.willkürlich.Rand (15, 15)
ax = sns.Heatmap (Daten, CMAP = "Blues")
PLT.zeigen()

Das sequentielle Farbintensitätsdiagramm der Blues ist in der Abbildung zusammen mit der Farbleiste der angegebenen Farbe dargestellt.

Beispiel 3: Stellen Sie das divergierende Colormaps -Diagramm ein

Sie werden verwendet, um die numerischen Werte darzustellen, die von hoch bis niedrig reichen (und umgekehrt), wobei sowohl die maximalen als auch die minimalen Werte wichtig sind. Auf einer Seeborn Heatmap erklärt das folgende Beispiel, wie man einen divergierenden Colormap verwendet.

Hier importieren wir die SeaBorn -Bibliothek, die in unserer Python -Sprache installiert ist. Die Matplotlib -Bibliothek wird auch zur Visualisierung des Diagramms verwendet. Wir haben ein anderes Modul, das für die Numpy -Funktionen Numpy ist. Wenn wir das Numpy -Modul verwenden, haben wir dann den NP.willkürlich.Saatgutfunktion, die einen Wert von Null übergibt, der zur Initialisierung der Zufallszahlen verwendet wird.

In den variablen Daten nennen wir eine Numpy -Funktion RAND, die das Zahlenlimit für beide Achsen im Diagramm festlegt. Dann haben wir eine Seeborn Heatmap -Funktion, die das Argument CMAP nimmt. Der CMAP wird mit dem Standard -Farbschema eingestellt, das die coolwarmen Farben sind.

Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Numph als NP importieren
np.willkürlich.Samen (0)
Data = np.willkürlich.Rand (10, 12)
ax = sns.Heatmap (Daten, CMAP = "CoolWarm")
PLT.zeigen()

In der folgenden Abbildung haben wir eine maßgeschneiderte Heatmap mit CMAP:

Beispiel 4: Legen Sie das CBAR -Parameterdiagramm ein

Das CBAR -Attribut des Heatmap ist ein boolescher Wert, der impliziert, ob es aufgezeichnet werden sollte. Die Farbleiste wird standardmäßig im Diagramm vorgestellt, wenn der CBAR -Parameter nicht angegeben ist. Schalten Sie die CBAR auf False, um die Farbleiste zu deaktivieren. Mit dem CBAR = Falschparameter in der Wärmemap () -Methode kann die Farbleiste der Heatmap in Seeborn deaktiviert werden.

Wir benötigten die vier Bibliotheken; Die zusätzliche Bibliothek ist die Pandas für den Datenrahmen, den wir im Code verwenden. Mit dem Seeborn nennen wir hier eine festgelegte Funktion. Mit der geladenen Datensatzfunktion werden dann die Beispieldatensatzflüge hinzugefügt und in der DF -Variablen gespeichert.

In der nächsten Zeile haben wir eine Pivot-Funktion, die die spalten Daten übernimmt und die Daten entsprechend gruppiert. Wir bestehen die drei Spalten: Monate, Jahr und Passagiere aus dem Datensatz des Fluges. Wenn Sie nun die SEABORBREIS -HEATMAP -Funktion anrufen, setzt das CBAR -Argument auf einen falschen Wert. Mit der PLT -Show -Funktion wird die Handlung gerendert.

Pandas als PD importieren
Numph als NP importieren
Importieren Sie Seeborn als SNS
Matplotlib importieren.Pyplot als PLT
sns.Satz()
df = sns.load_dataset ("Flüge")
df = df.Pivot ("Monat", "Jahr", "Passagiere")
ax = sns.Heatmap (df, cbar = false)
PLT.zeigen()

Die CBAR wird aus dem Heatmap -Diagramm in der angegebenen Abbildung entfernt:

Abschluss

Es ist einfach, mit den Seeborn Heatmaps zu arbeiten. Wir haben die beiden Arten von Farbkarten besprochen, die die sequentiellen und divergierenden Farbkarten enthalten. Wir haben sie kurz zusammen mit dem laufenden Beispiel mit dem Python SeaBorn -Compiler im Ubuntu 20 erklärt.04.