基于seaborn的相关性热力图可视化分析_seaborn热力图属性自己的关系

       seaborn本质上是对matplotlib模块的高级封装，所以要想使用seaborn的功能，首先需要安装好matplotlib的基础环境，现在的安装方式已经极大地简化了，只需要pip安装即可，这里就不再多说明了。

       今天主要是想对手里的一个数据集进行简单的分析，分析不同属性特征之间的相关程度，相关性的计算有很多种方法，比如我最常用的就是基于统计学习里面的三大指数来进行计算，主要包括：皮尔森系数、肯德尔系数和斯皮尔曼系数。相关性的计算结果可以通过seaborn来进行直观的展示，接下来我们来看一下具体的代码实现，首先是数据加载部分：

def Demo(data_list,savepath='relation.png'):
    '''
    数据加载。解析、可视化
    '''
    matrix=[]
    A=[one[2] for one in data_list]
    B=[one[3] for one in data_list]
    C=[one[4] for one in data_list]
    D=[one[5] for one in data_list]
    E=[one[6] for one in data_list]
    F=[one[7] for one in data_list]
    G=[one[8] for one in data_list]
    matrix=[A,B,C,D,E,F,G]
    label=['O3','Water','Temp','Humi','See','WS','WD']
    relationAnalysis(matrix,label,flag='P',savepath=savepath)
'
运行
运行

         接下来是具体的绘图代码实现，如下所示：

def relationAnalysis(matrix,label,flag='P',savepath='relation/heatmap_pearson.png'):
    '''
    matrix：不同属性的数据矩阵
    label：不同因子名称
    '''
    all_res=[]
    for i in range(len(matrix)):
        one_tmp=[]
        vector1=matrix[i]
        for j in range(len(matrix)):
            vector2=matrix[j]
            a=pearsonr(vector1,vector2)[0]
            b=spearmanr(vector1,vector2)[0]
            c=kendalltau(vector1,vector2)[0]
            if flag=='P':
                one_tmp.append(a)
            elif flag=='S':
                one_tmp.append(b)
            elif flag=='K':
                one_tmp.append(c)
            else:
                one_tmp.append((a+b+c)/3)
        all_res.append(one_tmp)
    heapMapPlot(all_res,label,savepath=savepath)
'
运行
运行

       接下来是热力图绘制函数：

def heapMapPlot(data,key_list,savepath='relation/heatmap.png'):
    '''
    基于相关性系数计算结果来绘制热力图
    '''
    colormap=plt.cm.RdBu
    data=np.array(data)
    fig,ax=plt.subplots(figsize=(12,12))
    #不指定颜色带的色系
    # sns.heatmap(pd.DataFrame(np.round(data,4),columns=key_list,index=key_list),annot=True,vmax=1,vmin=0,
    #             xticklabels=True,yticklabels=True,square=True)
    #指定颜色带的色系
    # sns.heatmap(pd.DataFrame(np.round(data,4),columns=key_list,index=key_list),annot=True,vmax=1,vmin=0,
    #             xticklabels=True,yticklabels=True,square=True,cmap="YlGnBu")
    #指定颜色带的色系
    # sns.heatmap(pd.DataFrame(np.round(data,4),columns=key_list,index=key_list),annot=True,vmax=1,vmin=0,
    #             xticklabels=True,yticklabels=True,square=True,cmap="RdBu_r")
    #指定网格间距
    # sns.heatmap(pd.DataFrame(np.round(data,4),columns=key_list,index=key_list),annot=True,vmax=1,vmin=0,
    #             xticklabels=True,yticklabels=True,square=True,linewidths=0.3,cmap="RdBu_r")
    #指定网格间距+间距颜色
    sns.heatmap(pd.DataFrame(np.round(data,4),columns=key_list,index=key_list),annot=True,vmax=1,vmin=0,
                xticklabels=True,yticklabels=True,square=True,linewidths=1,linecolor="green",cmap="RdBu_r")
    #sns.heatmap(DataFrame.astype(float),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)
    plt.title('factorDataAnalysis')
    plt.savefig(savepath)
'
运行
运行

     上面的代码中，我们给出来了几种不同形式的实现，接下来我们来看一下具体的结果：
不指定颜色带色系的结果图：

  指定颜色带色系的结果图：

指定网格间距的结果图：

指定网格间距+颜色的结果图：

       当然了，参照官方的API接口还有很多有意思的组合和参数可以去设置和使用，这里给出来了几种比较常用的方式，感兴趣的话可以拿去试试。