Pogrupowane mapy ciepła

Mapy ciepła świetnie nadają się do wizualizacji macierzy korelacji, ale pogrupowane mapy ciepła (clustermaps) są jeszcze lepsze. Clustermap pozwala odkryć ukrytą strukturę w macierzy korelacji, tworząc hierarchicznie pogrupowaną mapę ciepła:

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)

Aby uniknąć nakładania się etykiet osi, możesz odwołać się do obiektu Axes z bazowego obiektu fig i określić kąt obrotu. Więcej informacji o argumentach funkcji clustermap() znajdziesz tutaj.

To ćwiczenie jest częścią kursu

Wizualizacja danych szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj seaborn jako sns.
Oblicz korelację między wszystkimi kolumnami ramki danych meat, używając metody Pearsona, i przypisz wynik do nowej zmiennej o nazwie corr_meat.
Narysuj clustermap dla corr_meat.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod