Visualisering af Matrixdata
Et heatmap er et plot, hvor dataværdier repræsenteres som farver i en matrix.
Dette er den standardmetode, der bruges til at visualisere korrelationsmatricer (hvordan variable relaterer til hinanden) eller tidsseriegitre (f.eks. måneder vs. år).
Vigtigt: I modsætning til scatterplot eller barplot, som tager lange lister af data, kræver heatmap typisk, at dine data er i matrix (2D) format. Dette opnås ofte ved at bruge df.pivot_table() før plotning.
Nøgleparametre
annot=True: skriver dataværdien i hver celle;cmap: farvekortet (gradient), der skal bruges. Almindelige valg:'viridis','coolwarm','magma';fmt: strengformateringskode til at styre, hvordan tal vises;'d': heltal (ingen decimaler);'.2f': flydende tal med 2 decimaler;'g': generelt format (kompakt);linewidths/linecolor: tilføjer tydelige grænser mellem celler.
Eksempel
Her er et heatmap, der viser korrelationen mellem numeriske variable i tips datasættet.
12345678910111213141516171819import seaborn as sns import matplotlib.pyplot as plt # Load dataset df = sns.load_dataset('tips') # 1. Calculate Correlation Matrix (creates the grid) corr_matrix = df.corr(numeric_only=True) # 2. Plot Heatmap sns.heatmap( data=corr_matrix, annot=True, # Show numbers fmt='.2f', # 2 decimal places cmap='coolwarm',# Red-Blue gradient linewidths=1 # Separation lines ) plt.show()
Swipe to start coding
Visualisering af antallet af passagerer, der flyver gennem årene. Dataene er allerede omformet til en matrix (upd_df) for dig ved hjælp af pivot_table.
- Indstil stilen til
'ticks'. Skift figurens baggrundsfarve til'seagreen'('figure.facecolor'). - Opret et heatmap:
- Brug
upd_dfsom data (dette er det første argument, så du behøver ikkedata=). - Anvend farvekortet
'viridis'(cmap). - Vis tallene i cellerne (
annot=True). - Formater tallene med
'0.99g'(generelt format). - Indstil farven på linjerne mellem cellerne til
'plum'(linecolor).
- Vis plottet.
Løsning
Tak for dine kommentarer!
single
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Fantastisk!
Completion rate forbedret til 4.55
Visualisering af Matrixdata
Stryg for at vise menuen
Et heatmap er et plot, hvor dataværdier repræsenteres som farver i en matrix.
Dette er den standardmetode, der bruges til at visualisere korrelationsmatricer (hvordan variable relaterer til hinanden) eller tidsseriegitre (f.eks. måneder vs. år).
Vigtigt: I modsætning til scatterplot eller barplot, som tager lange lister af data, kræver heatmap typisk, at dine data er i matrix (2D) format. Dette opnås ofte ved at bruge df.pivot_table() før plotning.
Nøgleparametre
annot=True: skriver dataværdien i hver celle;cmap: farvekortet (gradient), der skal bruges. Almindelige valg:'viridis','coolwarm','magma';fmt: strengformateringskode til at styre, hvordan tal vises;'d': heltal (ingen decimaler);'.2f': flydende tal med 2 decimaler;'g': generelt format (kompakt);linewidths/linecolor: tilføjer tydelige grænser mellem celler.
Eksempel
Her er et heatmap, der viser korrelationen mellem numeriske variable i tips datasættet.
12345678910111213141516171819import seaborn as sns import matplotlib.pyplot as plt # Load dataset df = sns.load_dataset('tips') # 1. Calculate Correlation Matrix (creates the grid) corr_matrix = df.corr(numeric_only=True) # 2. Plot Heatmap sns.heatmap( data=corr_matrix, annot=True, # Show numbers fmt='.2f', # 2 decimal places cmap='coolwarm',# Red-Blue gradient linewidths=1 # Separation lines ) plt.show()
Swipe to start coding
Visualisering af antallet af passagerer, der flyver gennem årene. Dataene er allerede omformet til en matrix (upd_df) for dig ved hjælp af pivot_table.
- Indstil stilen til
'ticks'. Skift figurens baggrundsfarve til'seagreen'('figure.facecolor'). - Opret et heatmap:
- Brug
upd_dfsom data (dette er det første argument, så du behøver ikkedata=). - Anvend farvekortet
'viridis'(cmap). - Vis tallene i cellerne (
annot=True). - Formater tallene med
'0.99g'(generelt format). - Indstil farven på linjerne mellem cellerne til
'plum'(linecolor).
- Vis plottet.
Løsning
Tak for dine kommentarer!
single