Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Mapa de Calor | Visualização com Seaborn
Visualização Definitiva com Python

Deslize para mostrar o menu

book
Mapa de Calor

Note
Definição

Um heatmap é um método para visualizar dados bidimensionais utilizando cores para representar a magnitude de cada valor.

Este exemplo utiliza um heatmap para representar as correlações pareadas entre variáveis em um conjunto de dados.

Criando um Heatmap Simples

O seaborn possui uma função chamada heatmap(). Seu único parâmetro obrigatório é data, que deve ser um conjunto de dados 2D (retangular).

Talvez o uso mais comum de um heatmap seja com uma matriz de correlação, como no exemplo acima. Dado um DataFrame, deve-se primeiro chamar seu método corr() para obter uma matriz de correlação e, somente então, passar essa matriz como argumento para a função heatmap():

Um caso de uso comum para um heatmap é exibir uma matriz de correlação. Dado um DataFrame, primeiro chame seu método corr() para obter a matriz de correlação e, em seguida, passe essa matriz como argumento para a função 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

A matriz de correlação foi criada utilizando apenas as colunas numéricas do DataFrame. As colunas que contêm strings foram excluídas ao definir numeric_only=True.

Anotação e Cores

Este mapa de calor pode ser tornado mais informativo ao exibir o valor apropriado (coeficiente de correlação, neste caso) em cada célula. Isso pode ser feito simplesmente definindo o parâmetro annot como True.

Note
Nota

Também é possível alterar as cores do nosso mapa de calor configurando o parâmetro cmap (você pode explorá-lo no artigo "Escolhendo paletas de cores").

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

A barra de cores à direita pode ser removida configurando cbar=False.

Note
Estude Mais

Na maioria dos casos, isso é tudo o que você precisará em termos de personalização de heatmap, porém, você sempre pode explorar mais na documentação do heatmap().

Melhorando a Legibilidade

O último aspecto que pode melhorar a legibilidade do nosso heatmap é rotacionar os ticks utilizando as funções xticks() e yticks() já conhecidas:

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
Tarefa

Swipe to start coding

  1. Utilize o método correto para criar uma matriz de correlação.
  2. Defina o argumento do método para incluir apenas variáveis numéricas.
  3. Utilize a função apropriada para criar um mapa de calor.
  4. Defina correlation_matrix como os dados do mapa de calor especificando o primeiro argumento.
  5. Adicione os valores em cada célula da matriz especificando o segundo argumento.
  6. Defina a paleta (mapa de cores) do mapa de calor como 'crest' especificando o terceiro (último) argumento.
  7. Gire os rótulos dos eixos x e y em 15 graus no sentido anti-horário especificando um argumento nomeado em xticks() e yticks().

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 5. Capítulo 7
Sentimos muito que algo saiu errado. O que aconteceu?

Pergunte à IA

expand
ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

book
Mapa de Calor

Note
Definição

Um heatmap é um método para visualizar dados bidimensionais utilizando cores para representar a magnitude de cada valor.

Este exemplo utiliza um heatmap para representar as correlações pareadas entre variáveis em um conjunto de dados.

Criando um Heatmap Simples

O seaborn possui uma função chamada heatmap(). Seu único parâmetro obrigatório é data, que deve ser um conjunto de dados 2D (retangular).

Talvez o uso mais comum de um heatmap seja com uma matriz de correlação, como no exemplo acima. Dado um DataFrame, deve-se primeiro chamar seu método corr() para obter uma matriz de correlação e, somente então, passar essa matriz como argumento para a função heatmap():

Um caso de uso comum para um heatmap é exibir uma matriz de correlação. Dado um DataFrame, primeiro chame seu método corr() para obter a matriz de correlação e, em seguida, passe essa matriz como argumento para a função 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

A matriz de correlação foi criada utilizando apenas as colunas numéricas do DataFrame. As colunas que contêm strings foram excluídas ao definir numeric_only=True.

Anotação e Cores

Este mapa de calor pode ser tornado mais informativo ao exibir o valor apropriado (coeficiente de correlação, neste caso) em cada célula. Isso pode ser feito simplesmente definindo o parâmetro annot como True.

Note
Nota

Também é possível alterar as cores do nosso mapa de calor configurando o parâmetro cmap (você pode explorá-lo no artigo "Escolhendo paletas de cores").

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

A barra de cores à direita pode ser removida configurando cbar=False.

Note
Estude Mais

Na maioria dos casos, isso é tudo o que você precisará em termos de personalização de heatmap, porém, você sempre pode explorar mais na documentação do heatmap().

Melhorando a Legibilidade

O último aspecto que pode melhorar a legibilidade do nosso heatmap é rotacionar os ticks utilizando as funções xticks() e yticks() já conhecidas:

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
Tarefa

Swipe to start coding

  1. Utilize o método correto para criar uma matriz de correlação.
  2. Defina o argumento do método para incluir apenas variáveis numéricas.
  3. Utilize a função apropriada para criar um mapa de calor.
  4. Defina correlation_matrix como os dados do mapa de calor especificando o primeiro argumento.
  5. Adicione os valores em cada célula da matriz especificando o segundo argumento.
  6. Defina a paleta (mapa de cores) do mapa de calor como 'crest' especificando o terceiro (último) argumento.
  7. Gire os rótulos dos eixos x e y em 15 graus no sentido anti-horário especificando um argumento nomeado em xticks() e yticks().

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 5. Capítulo 7
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Sentimos muito que algo saiu errado. O que aconteceu?
some-alt