相关性分析热力图（Python&Matlab代码实现）_相关性热力图

目录

1 热力图

1.1 简介

1.2 语法

 2 算例1（Python代码实现）

2.1 算例

2.2 Python代码

2.3 运行结果

 3 算例2（Python代码实现）

4 算例3（Python代码实现）

4.1 算例

4.2 Python代码

4.3 运行结果

5 相关性分析（皮尔逊，肯德尔，斯皮尔曼） （Matlab代码实现）

---

1 热力图

1.1 简介

利用热力图可以看数据表里多个特征两两的相似度。

seaborn.heatmap()热力图，常用于展示一组变量的相关系数矩阵，列联表的数据分布，通过热力图我们可以直观地看到所给数值大小的差异状况。

热力图，又名相关系数图。根据热力图中不同方块颜色对应的相关系数的大小，可以判断出变量之间相关性的大小。两个变量之间相关系数的计算公式为：

 公式中，ρ 表示相关系数，Cov表示协方差,E表示数学期望/均值

值得注意的是，该相关系数只能度量出变量之间的线性相关关系；也就是说，相关系数越高，则变量间的线性相关程度越高。对于相关系数小的两个变量，只能说明变量间的线性相关程度弱，但不能说明变量之间不存在其它的相关关系，如曲线关系等。
 

1.2 语法

seaborn.heatmap(data, *, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)

========（1）热力图输入数据参数=======

data：指定绘制热力图的数据集，根据data传入的值画出热力图，一般是二维矩阵

========（2）热力图矩阵块颜色参数=======

vmin,vmax：用于指定图例中最小值与最大值的显示值

cmap：指定一个colormap对象，用于热力图的填充色

center：指定颜色中心值，通过该参数可以调整热力图的颜色深浅

robust:默认取值False；如果是False，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定

========（3）热力图矩阵块注释参数============

annot：指定一个bool类型的值或与data参数形状一样的数组，如果为True，就在热力图的每个单元上显示数值

fmt：指定单元格中数据的显示格式

annot_kws：有关单元格中数值标签的其他属性描述，如颜色、大小等

=========（4）热力图矩阵块之间间隔及间隔线参数==============

linewidths ：指定每个单元格的边框宽度

linecolor：指定每个单元格的边框颜色

=========（5）热力图颜色刻度条参数==============

cbar：bool类型参数，是否用颜色条作为图例，默认为True

square：bool类型参数，是否使热力图的每个单元格为正方形，默认为False

cbar_kws：有关颜色条的其他属性描述

========（6）坐标轴=============

xticklabels,yticklabels：指定热力图x轴和y轴的刻度标签，如果为True，则分别以数据框的变量名和行名称作为刻度标签

mask：用于突出显示某些数据

ax：用于指定子图的位置

 2 算例1（Python代码实现）

2.1 算例

本算例来源于2022华夏杯大学生就业分析。

2.2 Python代码

 
'''=========导入相关库============='''
import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']  #图片显示中文
plt.rcParams['axes.unicode_minus'] =False #减号unicode编码
 
#=====读取数据和数据预处理=============
shuju=pd.read_csv('数据.csv')
print(shuju)
shuju.isnull().sum()   #看下有没有缺失值：
print(shuju)
shuju.describe()  #查看数据描述
 
#=======绘制热图===============
plt.figure(figsize=(25,20))
sns.heatmap(shuju.corr() , annot=True)  #shuju.corr() ：计算各变量之间的相关系数
# 设置刻度字体大小
plt.xticks(fontsize=9)
plt.yticks(fontsize=9)
plt.show()

2.3 运行结果

相关性分析热力图（Python&Matlab代码实现）

 3 算例2（Python代码实现）

下面这篇文章写得很棒，值得学习：

数据可视化之热力图&相关系数图（原理+Python代码）

4 算例3（Python代码实现）

4.1 算例

本题算例来源于2022华数杯比赛。

4.2 Python代码

'''======导入第三方库========'''
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题,负号正常显示
 
'''=======读取数据==========='''
data=pd.read_csv('热图分析.csv', encoding='gbk')
data.head()
 
corr = data.corr()     # shuju.corr() ：计算各变量之间的相关系数,corr(method='pearson')默认方法选择person相关性，'spearman'秩相关。如果你想选择其它方法，请修改meathod参数。这里我们就用皮尔逊进行演示。
'''=====热图可视化============'''
plt.subplots(figsize=(9, 9))  # 设置画面大小
# annot=True，是显式热力图上的数值；vmax是显示最大值;xticklabels、yticklabels轴标签显示；square=True，将图变成一个正方形，默认是一个矩形；cmap="Blues"是一种模式，就是图颜色配置。
# mask:控制某个矩阵块是否显示出来,默认值是None,如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉
sns.heatmap(corr, annot=True, vmax=1, vmin=0, xticklabels=True, yticklabels=True, square=True, cmap="YlGnBu",
            linewidths=0.05, linecolor='y')  # mask=t < 0.8等价于mask=(t < 0.8)
plt.title('变量相关系数 - 热图\n', fontsize=18)  # 添加图表标题“变量相关系数 - 热图”,fontsize=18 字体大小 可省略
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.show()

4.3 运行结果

5 相关性分析（皮尔逊，肯德尔，斯皮尔曼） （Matlab代码实现）

这个博主总结得相当好，很有收获：

matlab相关性分析（皮尔逊，肯德尔，斯皮尔曼）