'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
1 plt.style.use('seaborn-whitegrid')2 sns.set_style('white')3 xg_data = pd.read_excel('可视化图表案例数据.xlsx',sheet_name='相关矩阵图')4 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0Mazda RX421.06160.01103.902.62016.4601441Mazda RX4 Wag21.06160.01103.902.87517.0201442Datsun 71022.84108.0933.852.32018.611141 实现相关性矩阵
1 chuli_data = xg_data.corr()2 chuli_data.shape(11, 11)
1 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.]]) 1 plt.rcParams['font.sans-serif']=['Simhei'] 2 plt.rcParams['axes.unicode_minus']=False 3 4 plt.figure(figsize=(14,10)) 5 6 sns.heatmap(chuli_data, #相关性矩阵所需要的数据 7 #xticklabels=chuli_data.columns, #横坐标标签 8 #yticklabels=chuli_data.columns, #纵坐标标签 9 cmap='coolwarm', #使用的光谱10 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11 annot=True)12 13 plt.title('correlation',fontsize=24)14 15 plt.xticks(fontsize=12)16 plt.yticks(fontsize=12)17 18 plt.show()