作者 | Julia Kho
编译 | CDA 数据分析师
热图是数据的图形表示，也就是说，它使用颜色来向读者传达价值。当您拥有大量数据时，这是一个很好的工具，可以帮助观众了解最重要的区域。
在本文中，我将指导您通过 5 个简单步骤创建自己的相关矩阵注释热图。
- 导入数据
- 创建关联矩阵
- 设置 mask 隐藏上三角
- 在 Seaborn 中创建热图
- 导出热图
1）导入数据
df = pd.read_csv(“Highway1.csv”，index_col = 0)
该公路事故数据集包含汽车事故率，每百万车辆英里的事故以及若干设计变量。
2）创建相关矩阵
corr_matrix = df.corr()
我们使用的是.corr 创建相关矩阵。请注意，此矩阵中不存在 htype 列，因为它不是数字。我们需要使用 htype 来计算相关性。
df_dummy = pd.get_dummies(df.htype)
df = pd.concat([df，df_dummy]，axis = 1)
另外，请注意，相关矩阵的上三角部分与下三角对称。因此，我们的热图不需要显示整个矩阵。我们将在下一步隐藏上三角形。
3）设置 mask 隐藏上三角
mask = np.zeros_like(corr_matrix，dtype = np.bool)
mask[np.triu_indices_from(mask)] =True
让我们打破上面的代码吧。np.zeros_like() 返回一个零数组，其形状和类型与给定的数组相同。通过传递相关矩阵，我们得到如下的零数组。
该 dtype=np.bool 参数会覆盖数据类型，因此我们的数组是一个布尔数组。
np.triu_indices_from(mask) 返回数组上三角形的索引。
现在，我们将上三角形设置为 True。mask[np.triu_indices_from(mask)]= True
现在，我们有一个掩码可以用来生成热图。
4）在 Seaborn 中创建热图
f，ax = plt.subplots(figsize =(11,15))
heatmap=sns.heatmap(corr_matrix,
mask = mask,
square = True,
linewidths = .5,
cmap =’coolwarm’,
cbar_kws = {‘shrink’:.4,
‘ticks’:[-1,-.5,0,0.5,1]},
vmin = -1,
vmax = 1,
annot = True,
annot_kws = {“size”:12})
增加列名做为标签
ax.set_yticklabels(corr_matrix.columns，rotation = 0)
ax.set_xticklabels(corr_matrix.columns)
sns.set_style({‘xtick.bottom’:True},{‘ytick.left’:True})
为了创建我们的热图，我们传递步骤 3 中的相关矩阵和我们在步骤 4 中创建的蒙版以及自定义参数，以使我们的热图看起来更好。如果您有兴趣了解每条线的作用，请参考以下参数说明。
使每个单元格成方形
square = True,
设置将每个单元格划分为.5 的行的宽度
linewidths = .5,
Map 数据值到 coolwarm 颜色空间
cmap =’coolwarm’,
Shrink 在 [-1，-.5,0,0.5,1] 处的图例大小和标签刻度线
cbar_kws = {‘shrink’:.4,’ticks’:[-1，-.5,0,0.5,1]},
设置颜色条的最小值
vmin = -1,
设置颜色条的最大值
vmax = 1,
转到相关值的注释
annot = True,
将注释设置为 12
annot_kws = {“size”:12}
将列名添加到 x 标签
ax.set_xticklabels(corr_matrix.columns)
将列名添加到 y 标签并将文本旋转到 0 度
ax.set_yticklabels(corr_matrix.columns,rotation = 0)
在热图的底部和左侧显示标记
sns.set_style({‘xtick.bottom’:True},{‘ytick.left’:True})
5）导出热图 现在你有热图，让我们把它导出。
heatmap.get_figure().savefig(‘heatmap.png’, bbox_inches=’tight’)
如果您发现有一个非常大的热图不能正确导出，请使用 bbox_inches = ‘tight’ 以防止图像被切断。
搜索进入小程序，解锁更多精彩资讯和优质内容，不要错过哟！