Heatmaps avec regroupement (clustermaps)

Les heatmaps sont très utiles pour visualiser une matrice de corrélation, mais les clustermaps sont encore mieux. Un clustermap permet de révéler la structure d’une matrice de corrélation en produisant une heatmap 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 que les libellés d’axes ne se chevauchent, vous pouvez référencer les Axes à partir de l’objet fig sous-jacent et spécifier la rotation. Vous trouverez la liste des arguments de la fonction clustermap() ici.

Cet exercice fait partie du cours

Visualiser des séries temporelles en Python

Afficher le cours

Instructions

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 le clustermap de corr_meat.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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