Python에서 seaborn 상관 히트맵을 만드는 방법은 무엇입니까?

데이터세트에서는 두 변수 쌍 사이의 상관 관계의 강도와 방향이 상관 행렬을 보여주는 상관 히트맵을 통해 그래픽으로 표시됩니다. 대규모 데이터 세트에서 패턴과 연결을 찾는 데 효과적인 기술입니다.

Python 데이터 시각화 도구 Seaborn은 통계 시각화 그래픽을 생성하는 간단한 도구를 제공합니다. 사용자는 상관관계 히트맵을 생성하는 기능을 통해 데이터 세트의 상관관계 매트릭스를 빠르게 볼 수 있습니다.

데이터 세트를 가져와 변수의 상관 행렬을 계산한 다음 Seaborn 히트맵 기능을 사용하여 히트맵을 생성하여 상관 히트맵을 작성해야 합니다. 히트 맵은 변수 간의 상관 관계 정도를 색상으로 나타내는 행렬을 표시합니다. 또한 사용자는 히트맵에 상관계수를 표시할 수 있습니다.

Seaborn Correlation Heatmap은 데이터 세트의 패턴과 관계를 조사하기 위한 효과적인 시각화 기술이며 추가 조사를 위해 주요 변수를 정확히 찾아내는 데 사용할 수 있습니다.

히트맵() 기능 사용하기

히트맵 기능은 데이터 세트에 있는 두 변수 쌍 간의 상관 관계 강도를 나타내는 색상으로 구분된 행렬을 생성합니다. 히트맵 기능을 사용하려면 Pandas 데이터 프레임의 corr 방법을 사용하여 계산할 수 있는 변수의 상관 행렬을 제공해야 합니다. 히트맵 기능은 사용자가 색 구성표, 주석, 차트 크기 및 위치를 포함하여 히트맵의 시각적 효과를 수정할 수 있는 다양한 옵션 옵션을 제공합니다.

문법

위 함수의 매개변수 데이터는 입력 데이터 세트를 나타내는 상관 행렬입니다. 히트맵의 색상을 지정하는 데 사용되는 색상 맵을 cmap이라고 합니다.

예제 1

예제 1

이 예에서는 Python을 사용하여 seaborn 상관 히트맵을 만듭니다. 먼저 seaborn 및 matplotlib 라이브러리를 가져오고 Seaborn의 데이터 세트 로드 기능을 사용하여 붓꽃 ​​데이터 세트를 로드합니다. 이 데이터 세트에는 SepalLength, SepalWidth, PetalLength 및 PetalWidth 변수가 포함되어 있습니다. 붓꽃 데이터 세트에는 붓꽃의 꽃받침 길이, 꽃받침 너비, 꽃잎 길이 및 꽃잎 너비에 대한 측정값이 포함됩니다. 다음은 메시지의 예입니다 -

사용자는 Seaborn의 데이터 세트 로드 방법을 사용하여 붓꽃 ​​데이터 세트를 Pandas DataFrame에 로드할 수 있습니다. 그런 다음 Pandas 데이터프레임의 corr 메서드를 사용하여 변수의 상관 행렬을 계산하고 corr_matrix라는 변수에 저장합니다. 우리는 Seaborn의 히트맵 방법을 사용하여 히트맵을 생성합니다. 상관 행렬 corr_matrix를 함수에 전달하고 cmap 매개 변수를 "coolwarm"으로 설정하여 서로 다른 색상을 사용하여 양의 상관 관계와 음의 상관 관계를 나타냅니다. 마지막으로 matplotlib의 pyplot 모듈의 show 메소드를 사용하여 히트맵을 표시합니다.

출력

예 2

이 예에서는 다시 Python을 사용하여 seaborn 상관 히트맵을 만듭니다. 먼저 seaborn 및 matplotlib 라이브러리를 가져오고 Seaborn의 데이터 세트 로드 기능을 사용하여 다이아몬드 데이터 세트를 로드합니다. 다이아몬드 데이터세트에는 캐럿 중량, 컷, 색상, 투명도 등 다이아몬드의 가격과 특성에 대한 자세한 정보가 포함되어 있습니다. 이것은 정보의 예입니다 −

可以使用 Seaborn 的加载数据集函数将钻石数据集加载到 Pandas DataFrame 中。接下来，使用 Pandas 数据帧的 corr 方法，计算变量的相关矩阵并将其存储在名为 Diamond_corr_matrix 的变量中。为了利用不同的颜色来表示与函数的正相关和负相关，我们传递相关矩阵 corr 矩阵并将 cmap 选项设置为“coolwarm”。最后，我们使用 matplotlib 的 show 方法中的 pyplot 模块来显示热图。

# Required libraries 
import seaborn as sns
import matplotlib.pyplot as plt

# Load the diamond dataset into a Pandas dataframe
diamonds_data = sns.load_dataset('diamonds')

# Compute the correlation matrix of the variables
diamonds_corr_matrix = diamonds_data.corr()
print(diamonds_corr_matrix)

# Create the heatmap using the `heatmap` function of Seaborn
sns.heatmap(diamonds_corr_matrix, cmap='coolwarm', annot=True)

# Display the heatmap using the `show` method of the `pyplot` module from matplotlib.
plt.show()

输出

          carat     depth     table     price         x         y         z
carat  1.000000  0.028224  0.181618  0.921591  0.975094  0.951722  0.953387
depth  0.028224  1.000000 -0.295779 -0.010647 -0.025289 -0.029341  0.094924
table  0.181618 -0.295779  1.000000  0.127134  0.195344  0.183760  0.150929
price  0.921591 -0.010647  0.127134  1.000000  0.884435  0.865421  0.861249
x      0.975094 -0.025289  0.195344  0.884435  1.000000  0.974701  0.970772
y      0.951722 -0.029341  0.183760  0.865421  0.974701  1.000000  0.952006
z      0.953387  0.094924  0.150929  0.861249  0.970772  0.952006  1.000000

热图是一种有益的图形表示形式，seaborn 使其变得简单易用。

위 내용은 Python에서 seaborn 상관 히트맵을 만드는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!