Realización de Agrupamiento Jerárquico
Un clustermap es una representación matricial que combina un mapa de calor con agrupamiento jerárquico.
Mientras que un mapa de calor estándar muestra los datos en una cuadrícula fija, un clustermap reordena las filas y columnas para colocar valores similares uno junto a otro. Los diagramas en forma de árbol en los ejes se llaman dendrogramas, y muestran cómo se agrupan los puntos de datos.
Parámetros clave
Para controlar cómo funciona el agrupamiento, se pueden utilizar los siguientes parámetros:
standard_scale: estandariza los datos (0 para filas, 1 para columnas) para que cada característica tenga una media de 0 y una varianza de 1. Esto es fundamental cuando las variables tienen diferentes unidades;metric: la medida de distancia a utilizar (por ejemplo,'euclidean','correlation'). Determina qué significa "similar";method: el algoritmo de enlace a utilizar (por ejemplo,'single','complete','average'). Determina cómo agrupar los clústeres.
Ejemplo
Aquí se muestra un clustermap del conjunto de datos Iris. Observe cómo las especies (filas) se agrupan automáticamente porque tienen mediciones similares.
12345678910111213141516171819import seaborn as sns import matplotlib.pyplot as plt # Load dataset df = sns.load_dataset('iris') # Prepare matrix (drop non-numeric column for calculation) species = df.pop("species") # Create a clustermap sns.clustermap( data=df, standard_scale=1, # Normalize columns metric='euclidean', # Measure distance method='average', # clustering method cmap='viridis', figsize=(6, 6) ) plt.show()
Swipe to start coding
Analizar los datos de pasajeros de vuelos para identificar similitudes entre los años.
- Establecer el estilo en
'ticks'. Cambiar el color de fondo a'seagreen'('figure.facecolor'). - Crear un clustermap utilizando el DataFrame
upd_dfreestructurado:
- Usar
upd_dfcomo datos. - Normalizar las columnas configurando
standard_scaleen1. - Utilizar agrupamiento con
'single'enmethod. - Emplear
'correlation'enmetric. - Mostrar los valores en las celdas (
annot=True). - Establecer los límites de valores:
vmin=0yvmax=10. - Utilizar el mapa de colores
'vlag'.
- Visualizar la gráfica.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Genial!
Completion tasa mejorada a 4.55Realización de Agrupamiento Jerárquico
Desliza para mostrar el menú
Un clustermap es una representación matricial que combina un mapa de calor con agrupamiento jerárquico.
Mientras que un mapa de calor estándar muestra los datos en una cuadrícula fija, un clustermap reordena las filas y columnas para colocar valores similares uno junto a otro. Los diagramas en forma de árbol en los ejes se llaman dendrogramas, y muestran cómo se agrupan los puntos de datos.
Parámetros clave
Para controlar cómo funciona el agrupamiento, se pueden utilizar los siguientes parámetros:
standard_scale: estandariza los datos (0 para filas, 1 para columnas) para que cada característica tenga una media de 0 y una varianza de 1. Esto es fundamental cuando las variables tienen diferentes unidades;metric: la medida de distancia a utilizar (por ejemplo,'euclidean','correlation'). Determina qué significa "similar";method: el algoritmo de enlace a utilizar (por ejemplo,'single','complete','average'). Determina cómo agrupar los clústeres.
Ejemplo
Aquí se muestra un clustermap del conjunto de datos Iris. Observe cómo las especies (filas) se agrupan automáticamente porque tienen mediciones similares.
12345678910111213141516171819import seaborn as sns import matplotlib.pyplot as plt # Load dataset df = sns.load_dataset('iris') # Prepare matrix (drop non-numeric column for calculation) species = df.pop("species") # Create a clustermap sns.clustermap( data=df, standard_scale=1, # Normalize columns metric='euclidean', # Measure distance method='average', # clustering method cmap='viridis', figsize=(6, 6) ) plt.show()
Swipe to start coding
Analizar los datos de pasajeros de vuelos para identificar similitudes entre los años.
- Establecer el estilo en
'ticks'. Cambiar el color de fondo a'seagreen'('figure.facecolor'). - Crear un clustermap utilizando el DataFrame
upd_dfreestructurado:
- Usar
upd_dfcomo datos. - Normalizar las columnas configurando
standard_scaleen1. - Utilizar agrupamiento con
'single'enmethod. - Emplear
'correlation'enmetric. - Mostrar los valores en las celdas (
annot=True). - Establecer los límites de valores:
vmin=0yvmax=10. - Utilizar el mapa de colores
'vlag'.
- Visualizar la gráfica.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
