方法

import pandas as pd

import numpy as np

import seaborn as sns

df = pd.DataFrame(np.random.randn(50).reshape(10,5))

corr = df.corr()

sns.heatmap(corr, cmap='Blues', annot=True)

将矩阵型简化为对角矩阵型：

mask = np.zeros_like(corr)

mask[np.tril_indices_from(mask)] = True

sns.heatmap(corr, cmap='Blues', annot=True, mask=mask.T)

补充知识：Python【相关矩阵】和【协方差矩阵】

相关系数矩阵

pandas.DataFrame(数据).corr()

import pandas as pd

df = pd.DataFrame({

'a': [11, 22, 33, 44, 55, 66, 77, 88, 99],

'b': [10, 24, 30, 48, 50, 72, 70, 96, 90],

'c': [91, 79, 72, 58, 53, 47, 34, 16, 10],

'd': [99, 10, 98, 10, 17, 10, 77, 89, 10]})

df_corr = df.corr()

# 可视化

import matplotlib.pyplot as mp, seaborn

seaborn.heatmap(df_corr, center=0, annot=True, cmap='YlGnBu')

mp.show()

协方差矩阵

numpy.cov(数据)

import numpy as np

matric = [

[11, 22, 33, 44, 55, 66, 77, 88, 99],

[10, 24, 30, 48, 50, 72, 70, 96, 90],

[91, 79, 72, 58, 53, 47, 34, 16, 10],

[55, 20, 98, 19, 17, 10, 77, 89, 14]]

covariance_matrix = np.cov(matric)

# 可视化

print(covariance_matrix)

import matplotlib.pyplot as mp, seaborn

seaborn.heatmap(covariance_matrix, center=0, annot=True, xticklabels=list('abcd'), yticklabels=list('ABCD'))

mp.show()

补充

协方差

相关系数

EXCEL也能做

CORREL函数

以上这篇python seaborn heatmap可视化相关性矩阵实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。

python 相关系数矩阵可视化_python seaborn heatmap可视化相关性矩阵实例相关推荐

  1. python绘制相关性矩阵_python seaborn heatmap可视化相关性矩阵实例

    方法import pandas as pd import numpy as np import seaborn as sns df = pd.DataFrame(np.random.randn(50) ...

  2. python seaborn heatmap可视化相关性矩阵

    python seaborn heatmap可视化相关性矩阵 方法 方法 import pandas as pd import numpy as np import seaborn as sns df ...

  3. Python相关系数矩阵热力图(二)

    上面图片通过下面代码实现 同时 df 内部的数据是: A B 0 0.180270 0.019475 1 0.463219 0.724934 2 0.420204 0.485427 由于我设置了随机数 ...

  4. python 相关系数矩阵_期望，方差，协方差，相关系数，协方差矩阵，相关系数矩阵，以及numpy实现...

    1. 期望 2. 方差 3. 协方差和相关系数 协方差(或者相关系数)如果是正的,表明X和Y之间同时增加或减小:如果是负的,表明X和Y之间有一个增加而另一个减小:如果它的值为0,则表明X和Y之间是独立 ...

  5. python 求系数矩阵,关于numpy：python-如何在数据矩阵中使用nans计算相关矩阵

    我找不到能为数据中存在NaN的数组计算相关系数矩阵的函数,该数组包含两个以上变量的观测值.有一些函数可以对成对的变量(或者只是使用?is.nan()掩盖数组).但是通过遍历大量变量来使用这些功能,计算 ...

  6. python线性回归算法简介_Python实现的简单线性回归算法实例分析

    本文实例讲述了Python实现的简单线性回归算法.分享给大家供大家参考,具体如下: 用python实现R的线性模型(lm)中一元线性回归的简单方法,使用R的women示例数据,R的运行结果: > ...

  7. python查询oracle数据库_python针对Oracle常见查询操作实例分析

    本文实例讲述了python针对Oracle常见查询操作.分享给大家供大家参考,具体如下: 1.子查询(难): 当进行查询的时候,发现需要的数据信息不明确,需要先通过另一个查询得到, 此查询称为子查询: ...

  8. python异步查询数据库_Python中使用aiomysql异步操作MySQL实例效果

    Python异步操作MySQL示例[使用aiomysql] 本文实例讲述了Python异步操作MySQL.分享给大家供大家参考,具体如下: 安装aiomysql 依赖 Python3.4+ async ...

  9. python如何读取mat文件可视化_python Matplotlib数据可视化（1）：简单入门

    1 matplot入门指南 matplotlib是Python科学计算中使用最多的一个可视化库,功能丰富,提供了非常多的可视化方案,基本能够满足各种场景下的数据可视化需求.但功能丰富从另一方面来说也意 ...

  10. python从mongodb里取出数据进行可视化_Python数据分析及可视化实例之MongoDB增删改查...

    1.MongoDB安装 有时候度娘还是给力的,相反一些博客的安装方法则显得凌乱: 最初使用Win7安装经常会出现意料不到的错误, 比如开机启动服务,服务器日志等. 上面链接安装步骤简单,没有炫技的成分 ...

最新文章

  1. Windows 7 RC Build 7100 使用报告
  2. Spring整合Hibernate图文步骤
  3. 【编译原理】让我们来构建一个简单的解释器（Let’s Build A Simple Interpreter. Part 1.）（python/c/c++版）（笔记）
  4. 一些关于bootstrap,bagging,Adaboost,random forest, gradient boost的基本理解
  5. python中排序从小到大_从Python看排序：冒泡排序
  6. java jsp导出pdf文件_JSP页面导出PDF格式文件
  7. 【离散数学】实验 一个简单的自动逻辑推理问题
  8. 抖音发布春节数据报告：394万个视频和平安相关 医务人员获赞8.6亿次
  9. 微信取消支付再二次/多次支付及201商户订单号重复解决思路
  10. 想要挣钱创收 那就用脚本操作手机群控软件啊
  11. Labview软件开发—界面切换—选项卡的应用
  12. 推荐25个值得收藏的前端开源Awesome项目
  13. 哈希表，设计哈希集合，
  14. 最新HTML微信聊天对话生成器网页源码+实测可用
  15. php oop java oop_php oop的作用
  16. 高德地图 java_几行代码实现高德地图的高级用法
  17. 操作系统，Ubuntu虚拟机编译裁剪内核
  18. 睡眠周期时长测试软件,成为时间管理达人必备的六款软件（干货）
  19. 股票逐笔成交接口lv2
  20. 输入无线网密码后显示无法连接服务器,无线网连接失败

热门文章

  1. 【车间调度】基于matlab模拟退火算法求解车间调度(jobshop-3)问题【含Matlab源码 1082期】
  2. 【车牌识别】基于matlab GUI模板匹配车牌识别【含Matlab源码 958期】
  3. ai人工智能_AI破坏已经开始
  4. pathlib2 Path glob rglob的最新研究成果
  5. 数据转换transform练习
  6. 中南大学计算机学院伍逸凡,关于公布2017年湖南省大学生力学竞赛等15项学科竞赛结果的通知...
  7. npm 编译慢_如何有效提升快应用(Webpack)编译速度
  8. mysql主从不同步监控_MySQL主从同步监控
  9. python爬取方式_Python3 实现爬取网站下所有URL方式
  10. MTRR内存类型范围寄存器