Geklustertes Heatmap

Heatmaps sind sehr hilfreich, um eine Korrelationsmatrix zu visualisieren, aber Clustermaps sind noch besser. Eine Clustermap deckt Struktur in einer Korrelationsmatrix auf, indem sie ein hierarchisch geklustertes Heatmap erzeugt:

df_corr = df.corr()

fig = sns.clustermap(df_corr)
plt.setp(fig.ax_heatmap.xaxis.get_majorticklabels(), rotation=90)
plt.setp(fig.ax_heatmap.yaxis.get_majorticklabels(), rotation=0)

Um ein Überlappen der Achsenbeschriftungen zu vermeiden, kannst du über das zugrunde liegende fig-Objekt auf die Axes zugreifen und die Rotation festlegen. Mehr zu den Argumenten der Funktion clustermap() findest du hier.

Diese Übung ist Teil des Kurses

<Kurs>Zeitreihendaten in Python visualisieren</Kurs>

Kurs ansehen

Übungsanweisungen

Importiere seaborn als sns.
Berechne die Korrelation zwischen allen Spalten im DataFrame meat mit der Pearson-Methode und weise das Ergebnis einer neuen Variablen corr_meat zu.
Plotte die Clustermap von corr_meat.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import seaborn library
____

# Get correlation matrix of the meat DataFrame
corr_meat = ____(____)

# Customize the heatmap of the corr_meat correlation matrix and rotate the x-axis labels
fig = ____(corr_meat,
                     row_cluster=True,
                     col_cluster=True,
                     figsize=(10, 10))

plt.setp(fig.ax_heatmap.xaxis.get_majorticklabels(), rotation=90)
plt.setp(fig.ax_heatmap.yaxis.get_majorticklabels(), rotation=0)
plt.show()

Code bearbeiten und ausführen