Klustrade heatmaps

Heatmaps är mycket användbara för att visualisera en korrelationsmatris, men clustermaps är ännu bättre. En clustermap avslöjar struktur i en korrelationsmatris genom att producera en hierarkiskt klustrad heatmap:

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)

För att undvika att axeletiketter överlappar varandra kan du referera till Axes från det underliggande fig-objektet och ange rotationen. Du kan läsa mer om argumenten till funktionen clustermap() här.

Den här övningen är en del av kursen

Visualisering av tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Importera seaborn som sns.
Beräkna korrelationen mellan alla kolumner i DataFrame:n meat med Pearson-metoden och tilldela resultatet till en ny variabel som heter corr_meat.
Rita en clustermap över corr_meat.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()

Redigera och kör kod