Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Varmekort | Visualisering med Seaborn
Ultimativ Visualisering med Python

Stryg for at vise menuen

book
Varmekort

Note
Definition

Et heatmap er en metode til at visualisere todimensionale data ved at bruge farver til at repræsentere størrelsen af hver værdi.

Dette eksempel anvender et heatmap til at repræsentere parvise korrelationer mellem variable i et datasæt.

Oprettelse af et simpelt heatmap

seaborn har en funktion kaldet heatmap(). Dens eneste påkrævede parameter er data, som skal være et 2D (rektangulært) datasæt.

Den mest almindelige anvendelse af et heatmap er med en korrelationsmatrix som i eksemplet ovenfor. Givet en DataFrame bør man først kalde dens corr()-metode for at få en korrelationsmatrix og derefter videregive denne matrix som et argument til funktionen heatmap():

En almindelig anvendelse af et heatmap er visning af en korrelationsmatrix. Givet en DataFrame, kald først dens corr()-metode for at opnå korrelationsmatrixen, og videregiv derefter denne matrix som et argument til funktionen heatmap().

123456789101112131415
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # Loading the dataset with the countries data url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv' countries_df = pd.read_csv(url, index_col=0) # Creating a correlation matrix with all numeric variables correlation_matrix = countries_df.corr(numeric_only=True) # Creating a heatmap based on the correlation matrix sns.heatmap(correlation_matrix) plt.show()
copy

Korrelationstabellen blev oprettet ved kun at bruge de numeriske kolonner i DataFrame. Kolonner med tekst blev udelukket ved at sætte numeric_only=True.

Annotation og farver

Dette heatmap kan gøres mere informativt ved at skrive den relevante værdi (korrelationskoefficienten i dette tilfælde) i hver celle. Dette kan nemt gøres ved at sætte parameteren annot til True.

Note
Bemærk

Det er også muligt at ændre farverne for vores heatmap ved at angive parameteren cmap (du kan udforske dette i "Valg af farvepaletter"-artiklen).

123456789101112131415
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # Loading the dataset with the countries data url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv' countries_df = pd.read_csv(url, index_col=0) # Creating a correlation matrix with all numeric variables correlation_matrix = countries_df.corr(numeric_only=True) # Setting annotation and color palette sns.heatmap(correlation_matrix, annot=True, cmap='viridis') plt.show()
copy

Farvebjælken til højre kan fjernes ved at angive cbar=False.

Note
Undersøg Mere

I de fleste tilfælde er dette alt, hvad du behøver for en heatmap-tilpasning, men du kan altid udforske mere i heatmap() dokumentationen.

Forbedring af læsbarhed

Det sidste, der kan forbedre læsbarheden af vores heatmap, er at rotere ticks ved hjælp af de allerede kendte funktioner xticks() og yticks():

12345678910111213141516171819
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # Loading the dataset with the countries data url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv' countries_df = pd.read_csv(url, index_col=0) # Creating a correlation matrix with all numeric variables correlation_matrix = countries_df.corr(numeric_only=True) # Creating a heatmap based on the correlation matrix sns.heatmap(correlation_matrix, annot=True, cmap='viridis') # Rotating the ticks by 20 degrees counterclockwise plt.xticks(rotation=20) plt.yticks(rotation=20) plt.show()
copy
Opgave

Swipe to start coding

  1. Brug den korrekte metode til at oprette en korrelationsmatrix.
  2. Angiv argumentet for metoden, så kun numeriske variabler inkluderes.
  3. Brug den korrekte funktion til at oprette et heatmap.
  4. Angiv correlation_matrix som data til heatmappet ved at specificere det som det første argument.
  5. Tilføj værdierne i hver celle i matricen ved at specificere det andet argument.
  6. Indstil paletten (farvekortet) for heatmappet til 'crest' ved at specificere det tredje (yderste højre) argument.
  7. Rotér x- og y-aksens mærker 15 grader mod uret ved at angive et nøgleordsargument i xticks() og yticks().

Løsning

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 5. Kapitel 7

Spørg AI

expand
ChatGPT

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

book
Varmekort

Note
Definition

Et heatmap er en metode til at visualisere todimensionale data ved at bruge farver til at repræsentere størrelsen af hver værdi.

Dette eksempel anvender et heatmap til at repræsentere parvise korrelationer mellem variable i et datasæt.

Oprettelse af et simpelt heatmap

seaborn har en funktion kaldet heatmap(). Dens eneste påkrævede parameter er data, som skal være et 2D (rektangulært) datasæt.

Den mest almindelige anvendelse af et heatmap er med en korrelationsmatrix som i eksemplet ovenfor. Givet en DataFrame bør man først kalde dens corr()-metode for at få en korrelationsmatrix og derefter videregive denne matrix som et argument til funktionen heatmap():

En almindelig anvendelse af et heatmap er visning af en korrelationsmatrix. Givet en DataFrame, kald først dens corr()-metode for at opnå korrelationsmatrixen, og videregiv derefter denne matrix som et argument til funktionen heatmap().

123456789101112131415
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # Loading the dataset with the countries data url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv' countries_df = pd.read_csv(url, index_col=0) # Creating a correlation matrix with all numeric variables correlation_matrix = countries_df.corr(numeric_only=True) # Creating a heatmap based on the correlation matrix sns.heatmap(correlation_matrix) plt.show()
copy

Korrelationstabellen blev oprettet ved kun at bruge de numeriske kolonner i DataFrame. Kolonner med tekst blev udelukket ved at sætte numeric_only=True.

Annotation og farver

Dette heatmap kan gøres mere informativt ved at skrive den relevante værdi (korrelationskoefficienten i dette tilfælde) i hver celle. Dette kan nemt gøres ved at sætte parameteren annot til True.

Note
Bemærk

Det er også muligt at ændre farverne for vores heatmap ved at angive parameteren cmap (du kan udforske dette i "Valg af farvepaletter"-artiklen).

123456789101112131415
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # Loading the dataset with the countries data url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv' countries_df = pd.read_csv(url, index_col=0) # Creating a correlation matrix with all numeric variables correlation_matrix = countries_df.corr(numeric_only=True) # Setting annotation and color palette sns.heatmap(correlation_matrix, annot=True, cmap='viridis') plt.show()
copy

Farvebjælken til højre kan fjernes ved at angive cbar=False.

Note
Undersøg Mere

I de fleste tilfælde er dette alt, hvad du behøver for en heatmap-tilpasning, men du kan altid udforske mere i heatmap() dokumentationen.

Forbedring af læsbarhed

Det sidste, der kan forbedre læsbarheden af vores heatmap, er at rotere ticks ved hjælp af de allerede kendte funktioner xticks() og yticks():

12345678910111213141516171819
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # Loading the dataset with the countries data url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv' countries_df = pd.read_csv(url, index_col=0) # Creating a correlation matrix with all numeric variables correlation_matrix = countries_df.corr(numeric_only=True) # Creating a heatmap based on the correlation matrix sns.heatmap(correlation_matrix, annot=True, cmap='viridis') # Rotating the ticks by 20 degrees counterclockwise plt.xticks(rotation=20) plt.yticks(rotation=20) plt.show()
copy
Opgave

Swipe to start coding

  1. Brug den korrekte metode til at oprette en korrelationsmatrix.
  2. Angiv argumentet for metoden, så kun numeriske variabler inkluderes.
  3. Brug den korrekte funktion til at oprette et heatmap.
  4. Angiv correlation_matrix som data til heatmappet ved at specificere det som det første argument.
  5. Tilføj værdierne i hver celle i matricen ved at specificere det andet argument.
  6. Indstil paletten (farvekortet) for heatmappet til 'crest' ved at specificere det tredje (yderste højre) argument.
  7. Rotér x- og y-aksens mærker 15 grader mod uret ved at angive et nøgleordsargument i xticks() og yticks().

Løsning

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 5. Kapitel 7
Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Vi beklager, at noget gik galt. Hvad skete der?
some-alt