Apprendre Carte Thermique | Visualisation avec Seaborn

Définition

Une carte thermique est une méthode de visualisation de données bidimensionnelles utilisant des couleurs pour représenter l’intensité de chaque valeur.

Cet exemple utilise une carte thermique pour visualiser les corrélations par paires entre les variables.

Création d'une carte thermique simple

seaborn.heatmap() utilise un ensemble de données 2D. Un cas d'utilisation courant est la visualisation d'une matrice de corrélation : à partir d'un DataFrame, utilisez .corr() pour calculer les corrélations, puis transmettez la matrice obtenue à heatmap().


              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()

La matrice de corrélation est créée uniquement à partir des colonnes numériques (numeric_only=True).

Annotation et couleurs

Définir annot=True affiche les valeurs de corrélation à l'intérieur de chaque cellule. Il est également possible de choisir une palette de couleurs avec cmap.

Note

Il est également possible de modifier les couleurs de notre carte thermique en définissant le paramètre cmap (vous pouvez l'explorer dans l'article "Choisir des palettes de couleurs").


              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()

La barre de couleur à droite peut être supprimée en définissant cbar=False.

Approfondir

Dans la plupart des cas, cela suffira pour une personnalisation de heatmap, cependant, il est toujours possible d'explorer davantage dans la documentation de heatmap().

Amélioration de la lisibilité

L'élément final qui améliorerait la lisibilité de notre heatmap consiste à faire pivoter les graduations à l'aide des fonctions déjà connues xticks() et 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()

Tâche

Swipe to start coding

Utiliser la méthode appropriée pour créer une matrice de corrélation.
Définir l'argument de la méthode pour inclure uniquement les variables numériques.
Utiliser la fonction appropriée pour créer une carte thermique (heatmap).
Définir correlation_matrix comme données pour la carte thermique en le spécifiant comme premier argument.
Ajouter les valeurs dans chaque cellule de la matrice en spécifiant le second argument.
Définir la palette (carte de couleurs) de la carte thermique sur 'crest' en la spécifiant comme troisième (dernier) argument.
Faire pivoter les graduations des axes x et y de 15 degrés dans le sens antihoraire en spécifiant un argument clé dans xticks() et yticks().

Solution

Tout était clair ?

Merci pour vos commentaires !

Section 5. Chapitre 7

single

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

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

Glissez pour afficher le menu