Cartes thermiques groupées

Les cartes thermiques sont très utiles pour visualiser une matrice de corrélation, mais les clustermaps sont encore meilleures. Une clustermap permet de mettre en évidence la structure d'une matrice de corrélation en produisant une carte thermique avec regroupement hiérarchique :

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)

Pour éviter le chevauchement des étiquettes des axes, vous pouvez référencer les Axes à partir de l'objet fig sous-jacent et préciser l'angle de rotation. Vous pouvez en apprendre davantage sur les paramètres de la fonction clustermap() ici.

Cette activité fait partie du cours

Visualiser des séries chronologiques en Python

Voir le cours

Instructions de l’exercice

Importez seaborn sous le nom sns.
Calculez la corrélation entre toutes les colonnes du DataFrame meat avec la méthode de Pearson et affectez le résultat à une nouvelle variable appelée corr_meat.
Tracez la clustermap de corr_meat.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()

Modifier et exécuter le code