基于seaborn的相关性热力图可视化分析

       seaborn本质上是对matplotlib模块的高级封装&＃xff0c;所以要想使用seaborn的功能&＃xff0c;首先需要安装好matplotlib的基础环境&＃xff0c;现在的安装方式已经极大地简化了&＃xff0c;只需要pip安装即可&＃xff0c;这里就不再多说明了。

       今天主要是想对手里的一个数据集进行简单的分析&＃xff0c;分析不同属性特征之间的相关程度&＃xff0c;相关性的计算有很多种方法&＃xff0c;比如我最常用的就是基于统计学习里面的三大指数来进行计算&＃xff0c;主要包括&＃xff1a;皮尔森系数、肯德尔系数和斯皮尔曼系数。相关性的计算结果可以通过seaborn来进行直观的展示&＃xff0c;接下来我们来看一下具体的代码实现&＃xff0c;首先是数据加载部分&＃xff1a;

def Demo(data_list,savepath&＃61;&＃39;relation.png&＃39;):&＃39;&＃39;&＃39;数据加载。解析、可视化&＃39;&＃39;&＃39;matrix&＃61;[]A&＃61;[one[2] for one in data_list]B&＃61;[one[3] for one in data_list]C&＃61;[one[4] for one in data_list]D&＃61;[one[5] for one in data_list]E&＃61;[one[6] for one in data_list]F&＃61;[one[7] for one in data_list]G&＃61;[one[8] for one in data_list]matrix&＃61;[A,B,C,D,E,F,G]label&＃61;[&＃39;O3&＃39;,&＃39;Water&＃39;,&＃39;Temp&＃39;,&＃39;Humi&＃39;,&＃39;See&＃39;,&＃39;WS&＃39;,&＃39;WD&＃39;]relationAnalysis(matrix,label,flag&＃61;&＃39;P&＃39;,savepath&＃61;savepath)

         接下来是具体的绘图代码实现&＃xff0c;如下所示&＃xff1a;

def relationAnalysis(matrix,label,flag&＃61;&＃39;P&＃39;,savepath&＃61;&＃39;relation/heatmap_pearson.png&＃39;):&＃39;&＃39;&＃39;matrix&＃xff1a;不同属性的数据矩阵label&＃xff1a;不同因子名称&＃39;&＃39;&＃39;all_res&＃61;[]for i in range(len(matrix)):one_tmp&＃61;[]vector1&＃61;matrix[i]for j in range(len(matrix)):vector2&＃61;matrix[j]a&＃61;pearsonr(vector1,vector2)[0]b&＃61;spearmanr(vector1,vector2)[0]c&＃61;kendalltau(vector1,vector2)[0]if flag&＃61;&＃61;&＃39;P&＃39;:one_tmp.append(a)elif flag&＃61;&＃61;&＃39;S&＃39;:one_tmp.append(b)elif flag&＃61;&＃61;&＃39;K&＃39;:one_tmp.append(c)else:one_tmp.append((a&＃43;b&＃43;c)/3)all_res.append(one_tmp)heapMapPlot(all_res,label,savepath&＃61;savepath)

       接下来是热力图绘制函数&＃xff1a;

def heapMapPlot(data,key_list,savepath&＃61;&＃39;relation/heatmap.png&＃39;):&＃39;&＃39;&＃39;基于相关性系数计算结果来绘制热力图&＃39;&＃39;&＃39;colormap&＃61;plt.cm.RdBudata&＃61;np.array(data)fig,ax&＃61;plt.subplots(figsize&＃61;(12,12))#不指定颜色带的色系# sns.heatmap(pd.DataFrame(np.round(data,4),columns&＃61;key_list,index&＃61;key_list),annot&＃61;True,vmax&＃61;1,vmin&＃61;0,# xticklabels&＃61;True,yticklabels&＃61;True,square&＃61;True)#指定颜色带的色系# sns.heatmap(pd.DataFrame(np.round(data,4),columns&＃61;key_list,index&＃61;key_list),annot&＃61;True,vmax&＃61;1,vmin&＃61;0,# xticklabels&＃61;True,yticklabels&＃61;True,square&＃61;True,cmap&＃61;"YlGnBu")#指定颜色带的色系# sns.heatmap(pd.DataFrame(np.round(data,4),columns&＃61;key_list,index&＃61;key_list),annot&＃61;True,vmax&＃61;1,vmin&＃61;0,# xticklabels&＃61;True,yticklabels&＃61;True,square&＃61;True,cmap&＃61;"RdBu_r")#指定网格间距# sns.heatmap(pd.DataFrame(np.round(data,4),columns&＃61;key_list,index&＃61;key_list),annot&＃61;True,vmax&＃61;1,vmin&＃61;0,# xticklabels&＃61;True,yticklabels&＃61;True,square&＃61;True,linewidths&＃61;0.3,cmap&＃61;"RdBu_r")#指定网格间距&＃43;间距颜色sns.heatmap(pd.DataFrame(np.round(data,4),columns&＃61;key_list,index&＃61;key_list),annot&＃61;True,vmax&＃61;1,vmin&＃61;0,xticklabels&＃61;True,yticklabels&＃61;True,square&＃61;True,linewidths&＃61;1,linecolor&＃61;"green",cmap&＃61;"RdBu_r")#sns.heatmap(DataFrame.astype(float),linewidths&＃61;0.1,vmax&＃61;1.0, square&＃61;True, cmap&＃61;colormap, linecolor&＃61;&＃39;white&＃39;, annot&＃61;True)plt.title(&＃39;factorDataAnalysis&＃39;)plt.savefig(savepath)

     上面的代码中&＃xff0c;我们给出来了几种不同形式的实现&＃xff0c;接下来我们来看一下具体的结果&＃xff1a;
不指定颜色带色系的结果图&＃xff1a;

  指定颜色带色系的结果图&＃xff1a;

指定网格间距的结果图&＃xff1a;

指定网格间距&＃43;颜色的结果图&＃xff1a;

       当然了&＃xff0c;参照官方的API接口还有很多有意思的组合和参数可以去设置和使用&＃xff0c;这里给出来了几种比较常用的方式&＃xff0c;感兴趣的话可以拿去试试。