Python数据分析之绘制相关性热力图的完整教程_python绘制特征相关性分析热力图

目录

前言

第一步：导入库

第二步：加载数据

第三步：数据转换

第四步：计算相关性矩阵

第五步：绘制热力图

第六步：查看效果

---

前言

文章将介绍如何使用Python中的Pandas和Seaborn库来读取数据、计算相关系数矩阵，并绘制出直观、易于理解的热力图。我们将逐步介绍代码的编写和执行过程，并提供详细的解释和示例，以便读者能够轻松地跟随和理解。

大家记得需要准备以下条件数据：（大家可以看我上一篇文章）

• 确保数据集是干净的，没有缺失值或异常值。
• 只选择数值型数据列进行相关性分析。

第一步：导入库

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

第二步：加载数据

data = pd.read_excel("result1_1.xlsx")

第三步：数据转换

data = data.apply(pd.to_numeric, errors='coerce')

这行代码使用pandas的apply方法结合to_numeric函数，将数据框(data frame)data中的每一列尝试转换为数值类型。errors='coerce'参数意味着在转换过程中，如果遇到无法转换为数值的元素，将替换为NaN。

第四步：计算相关性矩阵

correlation_matrix = data.corr()

这行代码计算数据框data中所有列之间的相关系数，并将结果存储在correlation_matrix中。

第五步：绘制热力图

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt='.2f')
plt.title('Correlation Heatmap')
plt.show()

这些代码行设置图表的大小，然后使用seaborn的heatmap函数绘制一个热力图，其中annot=True表示在热力图上显示每个单元格的具体数值，cmap='coolwarm'设置了颜色映射为coolwarm，fmt='.2f'设置了数值的格式为两位小数。最后，设置图表的标题为’Correlation Heatmap’，并使用plt.show()显示图表。

第六步：查看效果

整个代码执行后，您将看到一个包含数据列之间相关系数的热力图，这有助于您可视化数据之间的关系！

本篇文章到这里就结束了，大家去试试自己的吧，点赞投币加收藏~