Seaorn Correlation Heatmap

“Para analistas de dados, a correlação é uma causa crucial de influência. Ele explica como os elementos em um dados estão inter -relacionados um para o outro e se eles mudam um ao outro. O valor correlacionado pode variar de -1 a +1. O termo "correlação" indica que quantidades independentes não estão relacionadas. Uma correlação positiva significa que os elementos estão funcionando efetivamente, enquanto uma associação negativa significa que eles estão se movendo em direções diferentes. Com a ajuda do pacote marítimo, podemos visualizar a matriz de correlação. Simplesmente, é simples analisar os dados de origem e é amplamente empregado no trabalho analítico. Neste artigo, vamos mostrar como utilizar o método HeatMap () para criar a matriz de covariância.”

Exemplo nº 1

O mapa de calor é uma representação pictórica dos dados da matriz, com tons de cores específicos com valores distintos. Ele descreve a matriz total de uma maneira muito concisa. No exemplo a seguir, estaremos utilizando um mapa de calor para representar uma análise de correlação.

importar pandas como PD
importar matplotlib.pyplot como plt
Importar Seaborn como SNS
df = pd.DataFrame (“2^nd Mês ": [8,2,4,6,9,0,6,7],
"3^rd Mês ": [3,1,7,3,2,4,1,1],
"4^º Mês ": [5,7,6,9,7,0,3,4],
"5^º Mês ": [4,7,8,4,2,9,7,6])
SNS.Mapa de calor (df.corr ()))
plt.mostrar()

Aqui vamos integrar os arquivos de cabeçalho pandas, matplotlib.Pyplot e Seaborn. O arquivo de cabeçalho Pandas será integrado como PD, Matplotlib.Pyplot como PLT e Seaborn como SNS. Para definir o conjunto de dados, criamos quatro matrizes diferentes. Essas matrizes contêm valores numéricos aleatórios diferentes.

Aplicamos o método DataFrame (). Esta função está relacionada à biblioteca dos pandas. Para desenhar o mapa de calor de correlação marítima, vamos chamar a função de calor (). Demos o CORR () como um parâmetro para a função HEATMAP () do módulo SeaBorn. Invocamos a função Show () para ilustrar o enredo.

Exemplo nº 2

Vamos desenhar uma visualização de mapa de calor de correlação marítima. O método corr () está sendo utilizado para obter a matriz de covariância do quadro de dados. Este método pode ser usado para analisar vários tipos de coeficientes de correlação. O tom de cada elemento no quadro dos eixos de tom será especificado. Inúmeras variáveis ​​seriam usadas para modificar o gráfico.

importar pandas como PD
importar matplotlib.pyplot como plt
Importar Seaborn como SNS
df = pd.DataFrame (“2^nd Mês ": [8,2,4,6,9,0,6,7],
"3^rd Mês ": [3,1,7,3,2,4,1,1],
"4^º Mês ": [5,7,6,9,7,0,3,4],
"5^º Mês ": [4,7,8,4,2,9,7,6])
SNS.Mapa de calor (df.corr (), vmin = -1, vmax = +1, anot = true, cmap = 'coolwarm')
plt.mostrar()

Primeiro de tudo, incorporaremos as bibliotecas necessárias pandas como PD, matplotlib.Pyplot como PLT e Seaborn como SNS. Definimos quatro matrizes para representar a coleta de dados. Vários números aleatórios estão incluídos nessas matrizes. A função DataFrame () foi usada. Este método está associado ao pacote do panda.

Aplicaremos o método HeatMap () para criar o mapa de calor de correlação marítima. Passamos corr () como um argumento para o método Heatmap () da Biblioteca Seaborn. O valor do parâmetro "anot" será definido como "true". Para visualizar o enredo, invocamos o método show ().

O valor do eixo visual é definido usando parâmetros VMIN e VMAX. O parâmetro CMAP aqui modifica a combinação de cores do gráfico. Os dados de correlação são apresentados nos blocos com a ajuda da opção Annot.

Exemplo no 3

Quando uma parte do conteúdo em uma borda do plano horizontal principal é eliminada, nenhum dado relevante é removido à medida que é duplicado. No entanto, faremos um mapa triangular por causa disso, como vemos abaixo.

importar pandas como PD
importar matplotlib.pyplot como plt
Importar Seaborn como SNS
importar numpy como np
df = pd.DataFrame (“2^nd Mês ": [8,2,4,6,9,0,6,7],
"3^rd Mês ": [3,1,7,3,2,4,1,1],
"4^º Mês ": [5,7,6,9,7,0,3,4],
"5^º Mês ": [4,7,8,4,2,9,7,6])
upp_mat = np.TriU (df.corr ()))
SNS.Mapa de calor (df.corr (), vmin = -1, vmax = +1, anot = true, cmap = 'coolwarm', máscara = upp_mat)
plt.mostrar()

No início do programa, importaremos as bibliotecas necessárias pandas como PD, Matplotlib.Pyplot como PLT e Seaborn como SNS. Definiremos quatro matrizes distintas para simbolizar o conjunto de dados. Numerosas figuras aleatórias estão envolvidas nessas matrizes. Em seguida, aplicamos a função DataFrame (). O módulo dos pandas está ligado a esta função. Vamos chamar a função Heatmap () para inserir o mapa de calor de correlação marítima.

Especificamos o corr () como um argumento para o método HeatMap () do pacote marítimo. Fornecemos os valores mais altos e mais baixos das bordas, bem como a tonalidade da trama e máscara como seu argumento. O valor do parâmetro "Annot" será definido como "verdadeiro" e o valor de "máscara" será "upp_mat". Para representar o gráfico resultante, estamos chamando o método show ().

No programa anterior, utilizamos o VMAX para obter a pirâmide superior da diagonal e o filtrávamos com a ajuda do parâmetro de máscara do método HeatMap (). Da mesma forma, o VMIN pode ser usado para disfarçar a pirâmide inferior.

Exemplo no 4

Podemos integrar apenas um parâmetro e avaliar sua associação com vários outros elementos, o que é uma representação intrigante. A associação do parâmetro do terceiro mês entre outros elementos é ilustrada neste caso.

importar pandas como PD
importar matplotlib.pyplot como plt
Importar Seaborn como SNS
importar numpy como np
df = pd.DataFrame (“2^nd Mês ": [8,2,4,6,9,0,6,7],
"3^rd Mês ": [3,1,7,3,2,4,1,1],
"4^º Mês ": [5,7,6,9,7,0,3,4],
"5^º Mês ": [4,7,8,4,2,9,7,6])
upp_mat = np.TriU (df.corr ()))
SNS.Mapa de calor (df.corr () [['3^rd Mês ']], vmin = -1, vmax = +1, anot = true, cmap =' coolwarm ')
plt.mostrar()

Incluiremos as estruturas essenciais pandas como PD, Matplotlib.Pyplot como PLT e Seaborn como SNS no início do Código. Para encapsular os dados coletados, faremos quatro listas diferentes. Essas listas incluíram muitos valores aleatórios. Depois disso, utilizaremos o método DataFrame (). Este método está inextricavelmente ligado ao pacote dos pandas.

Para incorporar o mapa de calor de correlação marítima, chamaremos o método de calor (). A função corr () foi passada como um parâmetro para a função de calor do módulo marítimo (). Também especificamos os maiores e mais baixos valores das bordas e a cor e a máscara da trama como uma entrada. O argumento "Annot" será definido como "True", e o argumento "CMAP" será definido como "Coolwarm."O" 3º mês "será passado para a função corr () como um parâmetro. Estamos usando a função show () para ver o gráfico produzido.

Conclusão

Neste artigo, conversamos sobre as inúmeras metodologias que são usadas para desenhar o mapa de calor de correlação marítima. Podemos alterar a cor do mapa de calor, fornecendo o parâmetro CMAP para a função. Um mapa de calor de correlação é uma visualização que descreve uma matriz de covariância bidimensional entre 2 parâmetros diferentes, contendo células coloridas exibindo valores em um espectro minimalista.