Geclusterde heatmaps

Heatmaps zijn erg handig om een correlatiematrix te visualiseren, maar clustermaps zijn nog beter. Een clustermap onthult structuur in een correlatiematrix door een hiërarchisch geclusterde heatmap te maken:

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)

Om overlappende aslabels te voorkomen, kun je verwijzen naar de Axes vanuit het onderliggende fig-object en de rotatie instellen. Meer over de argumenten van de functie clustermap() vind je hier.

Deze oefening maakt deel uit van de cursus

Tijdreeksen visualiseren in Python

Cursus bekijken

Oefeninstructies

Importeer seaborn als sns.
Bereken de correlatie tussen alle kolommen in de meat DataFrame met de Pearson-methode en sla de resultaten op in een nieuwe variabele corr_meat.
Plot de clustermap van corr_meat.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren