Lernen Heatmap | Visualisierung Mit Seaborn

Definition

Eine Heatmap ist eine Methode zur Visualisierung von zweidimensionalen Daten, bei der Farben verwendet werden, um die Ausprägung jedes Wertes darzustellen.

In diesem Beispiel wird eine Heatmap verwendet, um paarweise Korrelationen zwischen Variablen zu visualisieren.

Erstellen einer einfachen Heatmap

seaborn.heatmap() verwendet einen 2D-Datensatz. Ein häufiger Anwendungsfall ist das Plotten einer Korrelationsmatrix: Bei einem DataFrame kann .corr() aufgerufen werden, um Korrelationen zu berechnen. Die resultierende Matrix wird anschließend an heatmap() übergeben.


              1234567891011
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

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)

correlation_matrix = countries_df.corr(numeric_only=True)

sns.heatmap(correlation_matrix)
plt.show()

Die Korrelationsmatrix wird ausschließlich aus numerischen Spalten erstellt (numeric_only=True).

Annotation und Farben

Durch Setzen von annot=True werden die Korrelationswerte in jede Zelle geschrieben. Mit cmap kann zudem eine Farbpalette ausgewählt werden.

Hinweis

Es ist ebenfalls möglich, die Farben der Heatmap über den Parameter cmap zu ändern (weitere Informationen finden Sie im "Auswahl von Farbpaletten"-Artikel).


              1234567891011
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

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)

correlation_matrix = countries_df.corr(numeric_only=True)

sns.heatmap(correlation_matrix, annot=True, cmap='viridis')
plt.show()

Die Farbskala auf der rechten Seite kann entfernt werden, indem cbar=False gesetzt wird.

Weiterführende Informationen

In den meisten Fällen ist dies alles, was für eine Heatmap-Anpassung benötigt wird. Weitere Optionen können jedoch jederzeit in der heatmap()-Dokumentation erkundet werden.

Lesbarkeit verbessern

Der letzte Schritt zur Verbesserung der Lesbarkeit der Heatmap ist das Drehen der Achsenbeschriftungen mit den bereits bekannten Funktionen xticks() und yticks():


              1234567891011121314
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

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)

correlation_matrix = countries_df.corr(numeric_only=True)

sns.heatmap(correlation_matrix, annot=True, cmap='viridis')
plt.xticks(rotation=20)
plt.yticks(rotation=20)

plt.show()

Aufgabe

Swipe to start coding

Die korrekte Methode zur Erstellung einer Korrelationsmatrix verwenden.
Das Argument der Methode so setzen, dass nur numerische Variablen einbezogen werden.
Die richtige Funktion zur Erstellung einer Heatmap verwenden.
correlation_matrix als Datengrundlage für die Heatmap durch Angabe des ersten Arguments festlegen.
Die Werte in jeder Zelle der Matrix durch Angabe des zweiten Arguments hinzufügen.
Die Farbpalette (Color Map) der Heatmap durch Angabe des dritten (rechten) Arguments auf 'crest' setzen.
Die x- und y-Achsenbeschriftungen durch Angabe eines Schlüsselwortarguments in xticks() und yticks() um 15 Grad gegen den Uhrzeigersinn drehen.

Lösung

War alles klar?

Danke für Ihr Feedback!

Abschnitt 5. Kapitel 7

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

How can I customize the appearance of the heatmap further?

What do the correlation values in the heatmap represent?

Can I use this method with my own dataset?

Awesome!

Completion rate improved to 3.85

Swipe um das Menü anzuzeigen