Mapa cieplna korelacji morskiej

„Dla analityków danych korelacja jest kluczową przyczyną wpływającą. Wyjaśnia, w jaki sposób elementy danych są ze sobą powiązane i czy się zmieniają. Skorelowana wartość może wahać się od -1 do +1. Termin „korelacja” wskazuje, że niezależne ilości są niezwiązane ze sobą. Pozytywna korelacja oznacza, że ​​elementy działają skutecznie, podczas gdy negatywne powiązanie oznacza, że ​​poruszają się w różnych kierunkach. Za pomocą pakietu Seaorn możemy wizualizować matrycę korelacji. Ułatwia to analizę danych źródłowych i jest szeroko stosowane w pracy analitycznej. W tym artykule pokażemy Ci, jak wykorzystać metodę HeatMap () do utworzenia macierzy kowariancji."

Przykład nr 1

Mapa cieplna jest obrazowym przedstawieniem danych macierzy, przy czym określone odcienie kolorów mają wyraźne wartości. Przedstawia całkowitą matrycę w bardzo zwięzły sposób. W poniższym przykładzie wykorzystamy mapę cieplną do przedstawiania analizy korelacji.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
df = pd.DataFrame („2^Nd Miesiąc ”: [8,2,4,6,9,0,6,7],
"3^{r & D} Miesiąc ”: [3,1,7,3,2,8,4,1],
"4^th Miesiąc ”: [5,7,6,9,7,0,3,4],
"5^th Miesiąc ”: [4,7,8,4,2,9,7,6])
Sns.mapa cieplna (df.corr ())
plt.pokazywać()

Tutaj zintegrujemy pliki nagłówkowe pandy, matplotlib.Pyplot i Seorbor. Plik nagłówka będą zintegrowane jako PD, matplotlib.Pyplot jako PLT i Seaorn jako SNS. Aby zdefiniować zestaw danych, utworzyliśmy cztery różne tablice. Te tablice zawierają różne losowe wartości liczbowe.

Zastosowaliśmy metodę dataFrame (). Ta funkcja jest powiązana z biblioteką pandy. Aby narysować mapę cieplną korelacji morskiej, nazwiemy funkcję ciepła (). Podaliśmy corr () jako parametr funkcji mapy ciepła () modułu morskiego. Przywołaliśmy funkcję show (), aby zilustrować fabułę.

Przykład nr 2

Zamierzamy narysować wizualizację mapy cieplnej korelacji morskiej. Metoda corr () jest wykorzystywana do uzyskania macierzy kowariancji danych danych. Tę metodę można zastosować do analizy wielu rodzajów współczynników korelacji. Odcień dla każdego elementu w ramce osi tonu zostanie określony. Do modyfikacji wykresu użyłoby wielu zmiennych.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
df = pd.DataFrame („2^Nd Miesiąc ”: [8,2,4,6,9,0,6,7],
"3^{r & D} Miesiąc ”: [3,1,7,3,2,8,4,1],
"4^th Miesiąc ”: [5,7,6,9,7,0,3,4],
"5^th Miesiąc ”: [4,7,8,4,2,9,7,6])
Sns.mapa cieplna (df.corr (), vmin = -1, vmax = +1, adnot = true, cmap = „CoolWarm”)
plt.pokazywać()

Przede wszystkim włączymy wymagane biblioteki Pand jako PD, Matplotlib.Pyplot jako PLT i Seaorn jako SNS. Zdefiniowaliśmy cztery tablice, aby reprezentować gromadzenie danych. Różne liczby losowe są zawarte w tych tablicach. Zastosowano funkcję dataFrame (). Ta metoda jest powiązana z pakietem pandy.

Zastosujemy metodę HeatMap (), aby stworzyć mapę cieplną korelacji morskiej. Minęliśmy Corr () jako argument metody Heatmap () biblioteki Seaorn Library. Wartość parametru „Adnot” zostanie ustawiona na „true”. Aby wizualizować fabułę, wywołaliśmy metodę show ().

Wartość osi wizualnej jest zdefiniowana za pomocą parametrów VMIN i VMAX. Parametr CMAP modyfikuje kombinację kolorów wykresu. Dane korelacji są prezentowane na blokach za pomocą opcji adnota.

Przykład nr 3

Kiedy pewna część zawartości na jednej krawędzi głównej płaszczyzny poziomej jest wyeliminowana, nie są usuwane istotne dane. Z tego powodu stworzymy trójkątną mapę, jak zobaczymy poniżej.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
importować Numpy jako NP
df = pd.DataFrame („2^Nd Miesiąc ”: [8,2,4,6,9,0,6,7],
"3^{r & D} Miesiąc ”: [3,1,7,3,2,8,4,1],
"4^th Miesiąc ”: [5,7,6,9,7,0,3,4],
"5^th Miesiąc ”: [4,7,8,4,2,9,7,6])
UPP_MAT = np.triu (df.corr ())
Sns.mapa cieplna (df.corr (), vmin = -1, vmax = +1, adnot = true, cmap = 'coolWarm', mask = Upp_Mat)
plt.pokazywać()

Na początku programu zaimportujemy wymagane biblioteki pand jako PD, Matplotlib.Pyplot jako PLT i Seaorn jako SNS. Ustawimy cztery odrębne tablice, aby uosabiać zestaw danych. W tych tablicach zaangażowanych było wiele przypadkowych liczb. Następnie zastosowaliśmy funkcję DataFrame (). Moduł panda jest powiązany z tą funkcją. Zamierzamy nazwać funkcję ciepła (), aby wstawić mapę cieplną korelacji morskiej.

Określiliśmy Corr () jako argument metody opakowania Seatmap (). Zapewniliśmy najwyższe i najniższe wartości krawędzi, a także odcień fabuły i maski. Wartość parametru „Adnot” zostanie zdefiniowana jako „prawdziwa”, a wartość „Maski” będzie „Upp_Mat”. Aby przedstawić wynikowy wykres, nazywaliśmy metodę show ().

W poprzednim programie używamy VMAX, aby uzyskać najwyższą piramidę przekątnej, a następnie filtrowaliby ją za pomocą parametru maski metody Heatmap (). Podobnie, vmin można użyć do ukrycia niższej piramidy.

Przykład nr 4

Możemy zintegrować tylko jeden parametr, a także ocenić jego związek z kilkoma innymi elementami, co jest intrygującym przedstawieniem. Związek parametru trzeciego miesiąca między innymi elementami ilustruje się w tym przypadku.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
importować Numpy jako NP
df = pd.DataFrame („2^Nd Miesiąc ”: [8,2,4,6,9,0,6,7],
"3^{r & D} Miesiąc ”: [3,1,7,3,2,8,4,1],
"4^th Miesiąc ”: [5,7,6,9,7,0,3,4],
"5^th Miesiąc ”: [4,7,8,4,2,9,7,6])
UPP_MAT = np.triu (df.corr ())
Sns.mapa cieplna (df.corr () [['3^{r & D} Miesiąc ']], vmin = -1, vmax = +1, annot = true, cmap =' coolWarm ')
plt.pokazywać()

Uwzględnimy Pandas Essential Frameworks jako PD, Matplotlib.Pyplot jako PLT, a Seorborn jako SNS na początku kodu. Aby zawrzeć zebrane dane, stworzymy cztery różne listy. Listy te zawierały wiele losowych wartości. Następnie wykorzystamy metodę dataFrame (). Ta metoda jest nierozerwalnie powiązana z pakietem pandy.

Aby osadzić mapę cieplną korelacji morskiej, nazwiemy metodę Heatmap (). Funkcja corr () została przekazana jako parametr do funkcji ciepła modułu morskiego (). Określiliśmy również największe i najniższe wartości krawędzi oraz kolor i maskę fabuły jako wejście. Argument „Adnot” zostanie ustawiony na „True”, a argument „CMAP” zostanie ustawiony na „CoolWarm.„„ Trzeci miesiąc ”zostanie przekazany do funkcji corr () jako parametr. Używaliśmy funkcji show (), aby zobaczyć wytworzony wykres.

Wniosek

W tym artykule rozmawialiśmy o licznych metodologiach używanych do rysowania mapy cieplnej korelacji Seaorn. Możemy zmienić kolor mapy cieplnej, podając parametr CMAP do funkcji. Mapa cieplna korelacji to wizualizacja, która przedstawia dwuwymiarową matrycę kowariancji wśród 2 różnych parametrów, zawierającą kolorowe komórki wykazujące wartości na minimalistycznym spektrum.