画个热力图

1
2
3
4
5
6
7
8
9
10
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_context({'figure.figsize':[10, 8], 'font.size': 16})

np.random.seed(0) # 设置随机数种子，生成10行12列的随机数
data = np.random.rand(10, 12)

ax = sns.heatmap(data)

热力图美化

修改图例范围

  • 参数：vmin，vmax

    1
    ax = sns.heatmap(data=data, vmin=0, vmax=1)

  • 参数：robust。如果不设置vmin和vmax，且robust设为True，图例将忽略极值按照鲁棒的四分位进行计算

    1
    2
    data[0, 0] = 5 # 将其中一个数据改成极大的异常值
    ax = sns.heatmap(data=data, robust=True)


    左上角数据颜色发生了变化，图例并没有受到影响

添加数据标注

  • 参数：annot。设为True即显示原始数据，也可以设为与原始数据形状相同的数据矩阵

    1
    ax = sns.heatmap(data=data, robust=True, annot=True)

  • 参数：fmt

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f') # 保留1位小数

  • 参数：annot_kws。可修改matplotlib.axes.Axes.text()其它相关参数

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.3f', annot_kws={'size': 10}) # 修改数据标注的字体大小

修改配色

  • 参数：center。设置渐变色的中间数值

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.3f', annot_kws={'size': 10}, center=0.5)

  • 参数：cmap。取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap='YlGnBu')

    • 使用sns.cubehelix_palette生成自定义配色

      1
      2
      cmap = sns.cubehelix_palette(start=2.8, rot=0.3, gamma=0.8, reverse=True, as_cmap=True)
      ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap)

    • 使用sns.diverging_palette生成自定义颜色

      1
      2
      cmap = sns.diverging_palette(h_neg=250, h_pos=15, s=75, l=40, center='light', as_cmap=True)
      ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap)

形状、边框、图例、标签

  • 形状参数：square。如果设为True，则每个色块都为正方形

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap, square=True)

  • 边框参数：linewidths，控制边框线的粗细；linecolor，控制边框线的颜色

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap, linewidths=0.2, linecolor='white')

  • 图例参数：cbar。若设为False，则不绘制图例

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap, cbar=False)

  • 图例横放：cbar_ax，cbar_kws

    1
    2
    3
    grid_kws = {'height_ratios': (0.9, 0.05), 'hspace': 0.2}
    f, (ax, cbar_ax) = plt.subplots(2, gridspec_kw=grid_kws)
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap, ax=ax, cbar_ax=cbar_ax, cbar_kws={'orientation': 'horizontal'})

  • 标签参数：xticklabels，yticklabels。如果设为True，将列名设为标签；如果设为False，则不绘制标签。可指定一个列表作为标签；也可设为一个整数n，表示每n列绘制一个标签

    1
    ax = sns.heatmap(data=data, robust=True, annot=True, fmt='.1f', cmap=cmap, xticklabels=2, yticklabels=range(1, 21, 2))

去除上三角

1
2
df = pd.DataFrame(data).corr() # 计算特征相关性
ax = sns.heatmap(data=df, cmap='Blues', annot=True, fmt='.1f')


相关性热力图的对角线上全部为1，左下三角和右上三角是对称的，可以去除上三角，避免信息冗余

  • 参数：mask

    1
    2
    3
    mask = np.zeros_like(df) # 创建一个与数据形状一致的类零矩阵
    mask[np.triu_indices_from(mask)] = True # 获取类零矩阵上三角的索引，将这部分数据设为True
    ax = sns.heatmap(data=df, cmap='Blues', annot=True, fmt='.1f', mask=mask)

  • 去除边缘空白

    1
    2
    mask = mask[1:, :-1]
    ax = sns.heatmap(data=df.iloc[1:, :-1], cmap='Blues', annot=True, fmt='.1f', mask=mask)

  • 保留对角线

    1
    2
    3
    mask = np.ones_like(df)
    mask[np.tril_indices_from(mask)] = False
    ax = sns.heatmap(data=df, cmap='Blues', annot=True, fmt='.1f', mask=mask)

聚类热力图

  • 输入宽数据

    1
    ax = sns.clustermap(df, robust=True, annot=True, fmt='.1f', cmap='vlag', figsize=(10, 8))

  • 输入长数据

    1
    2
    flights = sns.load_dataset('flights')
    flights.head()

    1
    ax = sns.clustermap(data=flights, pivot_kws={'index': 'month', 'columns': 'year', 'values': 'passengers'}, figsize=(10, 8), cmap='vlag', center=350, annot=True, fmt='d', annot_kws={'size': 12})

    借助pivot_kws参数将数据转化为行名为month，列名为year，数据为passengers的透视表

  • 添加分组色条：{row,col}_colors

    1
    2
    3
    4
    5
    pal = sns.husl_palette(5, h=0.6, s=0.6) # 根据聚类情况，产生5种颜色代表聚类产生的各个簇
    col_pal = [pal[0]] * 6 + [pal[1]] * 6 # 设置按列聚类的颜色列表，这里的顺序是原始数据的顺序，不是聚类后的顺序
    row_pal = [pal[2]] * 2 + [pal[3]] * 3 + [pal[4]] * 4 + [pal[3]] + [pal[2]] + [pal[3]] # 设置按行聚类的颜色列表，这里的顺序是原始数据的顺序，不是聚类后的顺序

    ax = sns.clustermap(data=flights, pivot_kws={'index': 'month', 'columns': 'year', 'values': 'passengers'}, figsize=(10, 8), cmap='vlag', center=350, annot=True, fmt='d', annot_kws={'size': 12}, col_colors=col_pal, row_colors=row_pal)

聚类参数

  • method。聚类算法，可选'single'，'complete'，'weighted'，'centroid'，'median'，默认'average'

  • metric。计算簇之间距离的算法，可选'braycurtis'，'canberra'，'chebyshev'，'cityblock'，'correlation'，'cosine'，'dice'，'hamming'，'jaccard'，'jensenshannon'，'kulsinski'，'mahalanobis'，'matching'，'minkowski'，'rogerstanimoto'，'russellrao'，'seuclidean'，'sokalmichener'，'sokalsneath'，'sqeuclidean'，'yule'，默认'euclidean'

  • z_score。如果设为0，对每一行计算z_score；如果设为1，则对每一列计算z_score，默认为None

  • standard_scale。如果设为0，对每一行进行min-max标准化；如果设为1，则对每一列进行min-max标准化，默认为None

  • {row,col}_linkage。可以提供预先计算好的聚类矩阵

聚类美化

  • {row,col}_cluster。是否对行、列进行聚类

    1
    ax = sns.clustermap(data=flights, pivot_kws={'index': 'month', 'columns': 'year', 'values': 'passengers'}, figsize=(10, 8), cmap='vlag', center=350, annot=True, fmt='d', annot_kws={'size': 12}, row_cluster=False) # 不对行进行聚类

  • 图例位置：cbar_pos

    1
    ax = sns.clustermap(data=flights, pivot_kws={'index': 'month', 'columns': 'year', 'values': 'passengers'}, figsize=(10, 8), cmap='vlag', center=350, annot=True, fmt='d', annot_kws={'size': 12}, row_cluster=False, cbar_pos=(0.19, 0.84, 0.04, 0.15)) # (left, bottom, width, height)

  • tree_kws

    1
    ax = sns.clustermap(data=flights, pivot_kws={'index': 'month', 'columns': 'year', 'values': 'passengers'}, figsize=(10, 8), cmap='vlag', center=350, annot=True, fmt='d', annot_kws={'size': 12}, tree_kws={'linestyles': 'dashed', 'color': 'grey', 'linewidths': 2})