Mapa de Calor
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 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 o 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 o método corr() para obter a matriz de correlação e, em seguida, passe essa matriz como argumento para a função heatmap().
123456789101112131415import 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()
A matriz de correlação foi criada utilizando apenas as colunas numéricas do DataFrame. As colunas que continham 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.
Também é possível alterar as cores do nosso mapa de calor definindo o parâmetro cmap (você pode explorar isso no artigo "Escolhendo paletas de cores").
123456789101112131415import 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()
A barra de cores à direita pode ser removida definindo cbar=False.
Na maioria dos casos, isso é tudo o que você precisará de uma customização 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 já conhecidas funções xticks() e yticks():
12345678910111213141516171819import 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()
Swipe to start coding
- Utilizar o método correto para criar uma matriz de correlação.
- Definir o argumento do método para incluir apenas variáveis numéricas.
- Utilizar a função adequada para criar um mapa de calor.
- Definir
correlation_matrixcomo os dados para o mapa de calor, especificando como primeiro argumento. - Adicionar os valores em cada célula da matriz, especificando como segundo argumento.
- Definir a paleta (mapa de cores) do mapa de calor como
'crest', especificando como terceiro (último) argumento. - Rotacionar os rótulos dos eixos x e y em 15 graus no sentido anti-horário, especificando um argumento nomeado em
xticks()eyticks().
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 3.85Mapa de Calor
Deslize para mostrar o menu
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 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 o 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 o método corr() para obter a matriz de correlação e, em seguida, passe essa matriz como argumento para a função heatmap().
123456789101112131415import 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()
A matriz de correlação foi criada utilizando apenas as colunas numéricas do DataFrame. As colunas que continham 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.
Também é possível alterar as cores do nosso mapa de calor definindo o parâmetro cmap (você pode explorar isso no artigo "Escolhendo paletas de cores").
123456789101112131415import 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()
A barra de cores à direita pode ser removida definindo cbar=False.
Na maioria dos casos, isso é tudo o que você precisará de uma customização 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 já conhecidas funções xticks() e yticks():
12345678910111213141516171819import 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()
Swipe to start coding
- Utilizar o método correto para criar uma matriz de correlação.
- Definir o argumento do método para incluir apenas variáveis numéricas.
- Utilizar a função adequada para criar um mapa de calor.
- Definir
correlation_matrixcomo os dados para o mapa de calor, especificando como primeiro argumento. - Adicionar os valores em cada célula da matriz, especificando como segundo argumento.
- Definir a paleta (mapa de cores) do mapa de calor como
'crest', especificando como terceiro (último) argumento. - Rotacionar os rótulos dos eixos x e y em 15 graus no sentido anti-horário, especificando um argumento nomeado em
xticks()eyticks().
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
single
