python科研作图系列-01热力图相关性分析

参考

文章目录

数据样本和分析结果
代码的讲解
附代码和运行结果

数据样本和分析结果

本学渣补充数学知识点：
1 Pearson Correlation(皮尔逊相关系数)，详见

这里我自己先创建一个表格，

重点关注A和B，因为我输入的时候是线性相关的，
CDE 三个栏完全随机，
F 和 G 有一定相关性，但是不如A和B那么明显，
H，I，J 也是乱输入的完全随机。

给出两个代码结果，分别是
给出显著性和不给出显著性的运行结果：
运行一下看看：
不给出显著性的结果：

给出显著性的结果：

两个图对比发现图二多了一些星星
代表相关性等级，F和G 的相关性没有A和B高，这和我之前预想的结果一样。

代码的讲解

下面用到的基础知识和函数参数补充：

pandas——相关系数函数corr()，可选参数（不加默认第一个）代表不同的相关性系数。
本例代码中用法按默认来的， df_coor=df.corr()返回值是一个相关系数的矩阵
API详见
相关系数的数学公式补充
plt.figure()参数说明
注意重点： plt.gca() 获取当前坐标轴，目的是为了便于下一步的移动，效果如下图，感觉秀婷学姐的图可以用这个函数画，具体怎么移动的代码，详见知乎大佬，我下个代码专门琢磨一下帮秀婷学姐搞一搞
np.zeros_like（），返回一个和传入的矩阵形状一样，但是值全为0的矩阵，详见
np.triu_indices_from(mask)：返回方阵的上三角矩阵的索引，API详见，具体用法
np.flipud（）用于翻转列表，将矩阵进行上下翻转，详见
np.rot90（）将矩阵img逆时针旋转90°
sns.heatmap（）这里的参数除了data以外，其他的都有默认值，所以首先会用基础的，知道怎么传递data是第一步。详见
补充一个sns.heatmap（）函数用到的参数mask：用于突出显示某些数据，详见
ax1.tick_params（）参数，both 是指对横轴和纵轴都操作，后面的参数是长度，其余参数详见

mask那一坨代码完成了两件事：
1 去重
2 去掉一半的矩阵，如果不去掉的效果类似这样

或者这样

去掉一半显得更加简洁明了

附代码和运行结果

代码：


import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import pearsonr
import matplotlib as mpldef cm2inch(x,y):return x/2.54,y/2.54size1 = 10.5
#这块设置字体的，人家设置的本来已经很漂亮了，暂时不关注
mpl.rcParams.update(
{'text.usetex': False,
'font.family': 'stixgeneral',
'mathtext.fontset': 'stix',
"font.family":'serif',
"font.size": size1,
"font.serif": ['Times New Roman'],
}
)
fontdict = {'weight': 'bold','size':size1,'family':'SimHei'}#这个地方，放你的Excel文件路径
fp = r'E:\data\test.xlsx'
#这个地方放你的表格里面sheet名称，默认是‘sheet1’，一般不用修改
df = pd.read_excel(fp,sheet_name='Sheet1',header = 0)
#这个函数可选参数为你要使用的相关系数，返回一个含有相关系数的矩阵
df_coor=df.corr()
#指定画图的尺寸，详见博客
fig = plt.figure(figsize=(cm2inch(16,12)))
#plt.gca( )中完成，gca就是get current axes的意思
#先获取当前轴，便于下一步移动，作出你想要的效果。
ax1 = plt.gca()#构造mask，去除重复数据显示
#返回一个类似形状的元素全为0的矩阵，详见博客
mask = np.zeros_like(df_coor)
print('step1')
print(mask)
#把这个全0元素矩阵的上三角部分赋值为1（也就是true）
mask[np.triu_indices_from(mask)] = True
#用一个mask2 来接收  这个 上三角元素都为1的矩阵
print('step2')
print(mask)
mask2 = mask
# 从这开始 我也看不懂了 每一步都知道啥意思，但是连起来就不知道了
#但是不影响，每次运行完 我加一个print语句输出这个mask是啥，这样就清晰了
mask = (np.flipud(mask)-1)*(-1)
print('step3')
print(mask)
mask = np.rot90(mask,k = -1)
print('step4-------')
print(mask)im1 = sns.heatmap(df_coor,annot=True,cmap="RdBu"
, mask=mask#构造mask，去除重复数据显示
,vmax=1,vmin=-1
, fmt='.2f',ax = ax1)ax1.tick_params(axis = 'both', length=0)
#此处填写保存文件的路径
plt.savefig(r'E:\data\r_demo.png',dpi=600)
plt.show()

运行结果：

step1
[[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
step2
[[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.][0. 1. 1. 1. 1. 1. 1. 1. 1. 1.][0. 0. 1. 1. 1. 1. 1. 1. 1. 1.][0. 0. 0. 1. 1. 1. 1. 1. 1. 1.][0. 0. 0. 0. 1. 1. 1. 1. 1. 1.][0. 0. 0. 0. 0. 1. 1. 1. 1. 1.][0. 0. 0. 0. 0. 0. 1. 1. 1. 1.][0. 0. 0. 0. 0. 0. 0. 1. 1. 1.][0. 0. 0. 0. 0. 0. 0. 0. 1. 1.][0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]]
step3
[[ 1.  1.  1.  1.  1.  1.  1.  1.  1. -0.][ 1.  1.  1.  1.  1.  1.  1.  1. -0. -0.][ 1.  1.  1.  1.  1.  1.  1. -0. -0. -0.][ 1.  1.  1.  1.  1.  1. -0. -0. -0. -0.][ 1.  1.  1.  1.  1. -0. -0. -0. -0. -0.][ 1.  1.  1.  1. -0. -0. -0. -0. -0. -0.][ 1.  1.  1. -0. -0. -0. -0. -0. -0. -0.][ 1.  1. -0. -0. -0. -0. -0. -0. -0. -0.][ 1. -0. -0. -0. -0. -0. -0. -0. -0. -0.][-0. -0. -0. -0. -0. -0. -0. -0. -0. -0.]]
step4-------
[[-0.  1.  1.  1.  1.  1.  1.  1.  1.  1.][-0. -0.  1.  1.  1.  1.  1.  1.  1.  1.][-0. -0. -0.  1.  1.  1.  1.  1.  1.  1.][-0. -0. -0. -0.  1.  1.  1.  1.  1.  1.][-0. -0. -0. -0. -0.  1.  1.  1.  1.  1.][-0. -0. -0. -0. -0. -0.  1.  1.  1.  1.][-0. -0. -0. -0. -0. -0. -0.  1.  1.  1.][-0. -0. -0. -0. -0. -0. -0. -0.  1.  1.][-0. -0. -0. -0. -0. -0. -0. -0. -0.  1.][-0. -0. -0. -0. -0. -0. -0. -0. -0. -0.]]

python科研作图系列-01热力图相关性分析相关推荐

用python分析小说_用Python对哈利波特系列小说进行情感分析
原标题:用Python对哈利波特系列小说进行情感分析准备数据现有的数据是一部小说放在一个txt里,我们想按照章节(列表中第一个就是章节1的内容,列表中第二个是章节2的内容)进行分析,这就需要用到正 ...
python ai 教学_【Python AI教学】从零开始学Python AI开发系列01
原标题:[Python AI教学]从零开始学Python AI开发系列01 欢迎开启新的旅程. 从2016年开始,AI人工智能的热潮扑面而来.而在机器学习和深度学习领域,Python位于最受欢迎的编程 ...
r语言相关性作图_R绘图：相关性分析与作图
公众号"生信小课堂" TCGA数据分析课程:生物信息学教学相关性分析是我们生信分析中必不可少的技能,单基因的批量相关性分析,可以用于做单基因的GO,KEGG富集分析和GSEA分析 ...
实战三十九：鲍鱼年龄预测热力图相关性分析
首先是数据: Sex,Length,Diameter,Height,Whole,Shucked,Viscera,Shell,Rings M,0.455,0.365,0.095,0.514,0.2245 ...
用 Python 对数据进行相关性分析
在进行数据分析时,我们所用到的数据往往都不是一维的,而这些数据在分析时难度就增加了不少,因为我们需要考虑维度之间的关系.而这些维度关系的分析就需要用一些方法来进行衡量,相关性分析就是其中一种.本文就用 ...
PPT科研作图①——生成发表级别的高清图片
看到以上这两张图,你也许不能相信,他们都是用PPT做的!科研作图的重要性我们几次都有讲到,希望各位小伙伴要加强这个意识,在科研作图板块,我们有浩然大神的数据处理和科研作图系列,最近Kathy童靴又将给 ...
Python使用matplotlib可视化相关性分析热力图图heatmap、使用seaborn中的heatmap函数可视化相关性热力图（Correllogram）
Python使用matplotlib可视化相关性分析热力图图heatmap.使用seaborn中的heatmap函数可视化相关性热力图(Correllogram) 目录
python可视化lassocv特征筛选之后的特征的相关性分析热力图
python可视化lassocv特征筛选之后的特征的相关性分析热力图目录 python可视化lassocv特征筛选之后的特征的相关性分析热力图 #lassocv模型
python相关性分析_python实践统计学中的三大相关性系数，并绘制相关性分析的热力图...
本文首发地址: https://yishuihancheng.blog.csdn.net/article/details/83547648 欢迎关注我的博客[Together_CZ],我是沂水寒城! ...