拓展-相关矩阵图

1.导入相关库

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
​
plt.rcParams['font.sans-serif']=['Simhei']
plt.rcParams['axes.unicode_minus']=False

np.__version__

 　　'1.19.1'

 

2.相关矩阵图

相关矩阵图的目的是探索两个事物之间的关系。实际应用中，我们常常需要探索多个变量的两两之间的相关性。

相关系数：绝对值越接近1，相关性越强，1指的是完全正相关，-1指的是完全负相关，0表示完全无关

plt.style.use('seaborn-whitegrid')
sns.set_style('white')
xg_data = pd.read_excel('可视化图表案例数据.xlsx',sheet_name='相关矩阵图')
xg_data.head(3)

​

	Unnamed: 0	英里/加仑	气缸数量	排量	总马力	驱动轴比	重量	1/4英里所用时间	引擎	变速器	前进档数	化油器数量
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1

​

 

 

实现相关性矩阵

chuli_data = xg_data.corr()
chuli_data.shape

　　(11, 11)

 

np.zeros((11,11))

array([[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., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])

 

plt.rcParams['font.sans-serif']=['Simhei']
plt.rcParams['axes.unicode_minus']=False

plt.figure(figsize=(14,10))

sns.heatmap(chuli_data, #相关性矩阵所需要的数据
           #xticklabels=chuli_data.columns, #横坐标标签
           #yticklabels=chuli_data.columns, #纵坐标标签
           cmap='coolwarm', #使用的光谱
           center = 0, #cneter：数据的中值，越靠近两端的值，颜色越接近于对应设定值
           annot=True)

plt.title('correlation',fontsize=24)

plt.xticks(fontsize=12)
plt.yticks(fontsize=12)

plt.show()