Mapas de calor agrupados

Los mapas de calor son muy útiles para visualizar una matriz de correlación, pero los clustermaps son aún mejores. Un clustermap permite descubrir estructura en una matriz de correlación generando un mapa de calor con agrupamiento jerárquico:

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)

Para evitar que las etiquetas de los ejes se solapen, puedes referenciar los Axes desde el objeto fig subyacente y especificar la rotación. Puedes consultar los argumentos de la función clustermap() aquí.

Este ejercicio forma parte del curso

Visualización de datos temporales en Python

Ver curso

Instrucciones del ejercicio

Importa seaborn como sns.
Calcula la correlación entre todas las columnas del DataFrame meat usando el método de Pearson y asigna los resultados a una nueva variable llamada corr_meat.
Dibuja el clustermap de corr_meat.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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()

Editar y ejecutar código