Кластерные тепловые карты

Тепловые карты отлично подходят для визуализации матрицы корреляции, однако кластерные карты справляются с этой задачей ещё лучше. Кластерная карта позволяет выявить структуру в матрице корреляции, строя иерархически кластеризованную тепловую карту:

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)

Чтобы подписи осей не перекрывались, обратитесь к объекту Axes базового объекта fig и задайте угол поворота. Подробнее об аргументах функции clustermap() можно узнать здесь.

Это упражнение является частью курса

Визуализация данных временных рядов в Python

Посмотреть курс

Инструкции к упражнению

Импортируйте seaborn как sns.
Вычислите корреляцию между всеми столбцами DataFrame meat методом Пирсона и сохраните результат в новую переменную corr_meat.
Постройте кластерную карту для corr_meat.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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()

Редактировать и запускать код