Mapa de calor de correlación marina

“Para los analistas de datos, la correlación es una causa de influencia crucial. Explica cómo los elementos en un datos se interrelacionan entre sí y si estos se cambian entre sí. El valor correlacionado puede variar de -1 a +1. El término "correlación" indica que las cantidades independientes no están relacionadas entre sí. Una correlación positiva significa que los elementos funcionan de manera efectiva, mientras que una asociación negativa significa que se están moviendo en diferentes direcciones. Con la ayuda del paquete marino, podemos visualizar la matriz de correlación. Hace que sea sencillo analizar los datos de origen y se emplea ampliamente en el trabajo analítico. En este artículo, le mostraremos cómo utilizar el método HeatMap () para crear la matriz de covarianza."

Ejemplo no 1

El mapa de calor es una representación pictórica de los datos de la matriz, con tonos de color específicos que tienen valores distintos. Representa la matriz total de una manera muy concisa. En el siguiente ejemplo, habremos estado utilizando un mapa de calor para representar un análisis de correlación.

importar pandas como PD
Importar matplotlib.Pyplot como PLT
Importar Sevorn como SNS
DF = PD.DataFrame ("2^{Dakota del Norte} Mes ": [8,2,4,6,9,0,6,7],
"3^rd Mes ": [3,1,7,3,2,8,4,1],
"4^th Mes ": [5,7,6,9,7,0,3,4],
"5^th Mes ": [4,7,8,4,2,9,7,6])
SNS.mapa de calor (df.Corr ())
PLT.espectáculo()

Aquí vamos a integrar los archivos de encabezado pandas, matplotlib.Pyplot y marítimo. El archivo de encabezado Pandas se integrará como PD, matplotlib.pyplot como plt y seaborn como SNS. Para definir el conjunto de datos, hemos creado cuatro matrices diferentes. Estas matrices contienen diferentes valores numéricos aleatorios.

Hemos aplicado el método DataFrame (). Esta función está relacionada con la biblioteca de los pandas. Para dibujar el mapa de calor de la correlación marina, vamos a llamar a la función de mapa de calor (). Hemos dado el corr () como parámetro a la función HeatMap () del módulo marítimo. Hemos invocado la función show () para ilustrar la trama.

Ejemplo no 2

Vamos a dibujar una visualización de mapa de calor de correlación marina. El método corr () se está utilizando para obtener la matriz de covarianza de DataFrame. Este método podría usarse para analizar múltiples tipos de coeficientes de correlación. Se especificará el tono para cada elemento en el marco de los ejes de tono. Se utilizarían numerosas variables para modificar el gráfico.

importar pandas como PD
Importar matplotlib.Pyplot como PLT
Importar Sevorn como SNS
DF = PD.DataFrame ("2^{Dakota del Norte} Mes ": [8,2,4,6,9,0,6,7],
"3^rd Mes ": [3,1,7,3,2,8,4,1],
"4^th Mes ": [5,7,6,9,7,0,3,4],
"5^th Mes ": [4,7,8,4,2,9,7,6])
SNS.mapa de calor (df.corr (), vmin = -1, vmax = +1, annot = true, cmap = 'Coolwarm')
PLT.espectáculo()

En primer lugar, incorporaremos los pandas de bibliotecas requeridos como PD, matplotlib.pyplot como plt y seaborn como SNS. Hemos definido cuatro matrices para representar la recopilación de datos. Se incluyen varios números aleatorios en estas matrices. Se ha utilizado la función DataFrame (). Este método está asociado con el paquete del panda.

Aplicaremos el método HeatMap () para crear el mapa de calor de la correlación marina. Pasamos a Corr () como argumento al método HeatMap () de la Biblioteca SeaBorn (). El valor del parámetro "anot" se establecerá en "verdadero". Para visualizar la trama, hemos invocado el método show ().

El valor del eje visual se define utilizando los parámetros Vmin y VMAX. El parámetro CMAP aquí modifica la combinación de colores del gráfico. Los datos de correlación se presentan en los bloques con la ayuda de la opción Annot.

Ejemplo no 3

Cuando se elimina alguna parte del contenido en un borde del plano horizontal principal, no se eliminan los datos relevantes a medida que se duplican. Sin embargo, haremos un mapa triangular debido a esto, como vemos a continuación.

importar pandas como PD
Importar matplotlib.Pyplot como PLT
Importar Sevorn como SNS
importar numpy como np
DF = PD.DataFrame ("2^{Dakota del Norte} Mes ": [8,2,4,6,9,0,6,7],
"3^rd Mes ": [3,1,7,3,2,8,4,1],
"4^th Mes ": [5,7,6,9,7,0,3,4],
"5^th Mes ": [4,7,8,4,2,9,7,6])
upp_mat = np.Triu (DF.Corr ())
SNS.mapa de calor (df.Corr (), vmin = -1, vmax = +1, annot = true, cmap = 'coolwarm', mask = upp_mat)
PLT.espectáculo()

Al comienzo del programa, importaremos los pandas de bibliotecas requeridos como PD, matplotlib.pyplot como plt y seaborn como SNS. Estableceremos cuatro matrices distintas para personificar el conjunto de datos. Numerosas figuras aleatorias han estado involucradas en estas matrices. A continuación, hemos aplicado la función DataFrame (). El módulo del pandas está vinculado a esta función. Vamos a llamar a la función HeatMap () para insertar el mapa de calor de la correlación marítima.

Hemos especificado el corr () como un argumento al método HeatMap () del paquete marítimo. Hemos proporcionado los valores más altos y más bajos de los bordes, así como el tinte de la trama y la máscara como argumento. El valor del parámetro "anot" se definirá como "verdadero", y el valor de "máscara" será "upp_mat". Para representar el gráfico resultante, hemos estado llamando al método show ().

En el programa anterior, utilizamos VMAX para obtener la pirámide más alta de la diagonal y luego la filtraríamos con la ayuda del parámetro de máscara del método de calor (). Del mismo modo, el Vmin se puede usar para disfrazar la pirámide inferior.

Ejemplo no 4

Podemos integrar solo un parámetro, así como evaluar su asociación con varios otros elementos, que es una representación intrigante. La asociación del parámetro del tercer mes entre otros elementos se ilustra en este caso.

importar pandas como PD
Importar matplotlib.Pyplot como PLT
Importar Sevorn como SNS
importar numpy como np
DF = PD.DataFrame ("2^{Dakota del Norte} Mes ": [8,2,4,6,9,0,6,7],
"3^rd Mes ": [3,1,7,3,2,8,4,1],
"4^th Mes ": [5,7,6,9,7,0,3,4],
"5^th Mes ": [4,7,8,4,2,9,7,6])
upp_mat = np.Triu (DF.Corr ())
SNS.mapa de calor (df.corr () [['3^rd Mes ']], vmin = -1, vmax = +1, annot = true, cmap =' Coolwarm ')
PLT.espectáculo()

Incluiremos los pandas de marcos esenciales como PD, matplotlib.Pyplot como PLT y Seaborn AS SNS al comienzo del código. Para encapsular los datos recopilados, haremos cuatro listas diferentes. Estas listas han incluido muchos valores aleatorios. Después de eso, utilizaremos el método DataFrame (). Este método está inextricablemente vinculado al paquete de pandas.

Para incrustar el mapa de calor de la correlación marina, llamaremos al método de mapas de calor (). La función corr () se ha pasado como un parámetro para la función de mapa de calor del módulo marido (). También especificamos los valores más grandes y más bajos de los bordes y el color y la máscara de la trama como entrada. El argumento "Anot" se establecerá en "Verdadero", y el argumento "CMAP" se establecerá en "Coolwarm."El" 3er mes "se pasará a la función corr () como parámetro. Hemos estado usando la función show () para ver el gráfico producido.

Conclusión

En este artículo, hemos hablado sobre las numerosas metodologías que se utilizan para dibujar el mapa de calor de la correlación marina. Podemos cambiar el color del mapa de calor proporcionando el parámetro CMAP a la función. Un mapa de calor de correlación es una visualización que representa una matriz de covarianza bidimensional entre 2 parámetros diferentes, que contiene células de colores que muestran valores en un espectro minimalista.