Кластеризовані теплокарти

Теплокарти дуже корисні для візуалізації кореляційної матриці, але кластерні теплокарти ще кращі. Clustermap дає змогу виявити структуру в кореляційній матриці, створюючи ієрархічно кластеризовану теплокарту:

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)

Щоб запобігти накладанню міток на осях, ви можете звернутися до Axes з об'єкта fig і вказати кут повертання. Про аргументи функції clustermap() можна дізнатися тут.

Ця вправа є частиною курсу

Візуалізація часових рядів у Python

Переглянути курс

Інструкції до вправи

Імпортуйте seaborn як sns.
Обчисліть кореляцію між усіма стовпцями в датафреймі meat методом Пірсона та збережіть результат у новій змінній corr_meat.
Побудуйте кластерну теплокарту для corr_meat.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код