Матричные графики
Средний уровень визуализации данных с Seaborn
Chris Moffitt
Instructor
Подготовка данных
- Функция
heatmap()из Seaborn требует данных в формате сетки - Для преобразования данных часто используется
crosstab()из pandas
pd.crosstab(df["mnth"], df["weekday"],
values=df["total_rentals"],aggfunc="mean").round(0)
Построение тепловой карты
sns.heatmap(pd.crosstab(df["mnth"], df["weekday"],
values=df["total_rentals"], aggfunc="mean")
)
Настройка тепловой карты
sns.heatmap(df_crosstab, annot=True, fmt="d",
cmap="YlGnBu", cbar=False, linewidths=.5)
Центрирование тепловой карты
- Seaborn поддерживает центрирование цветовой шкалы тепловой карты по заданному значению
sns.heatmap(df_crosstab, annot=True, fmt="d",
cmap="YlGnBu", cbar=True,
center=df_crosstab.loc[9, 6])
Построение матрицы корреляций
- Функция
corrиз pandas вычисляет корреляции между столбцами датафрейма - Результат можно отобразить в виде тепловой карты с помощью Seaborn
cols = ['total_rentals', 'temp', 'casual', 'hum', 'windspeed']
sns.heatmap(df[cols].corr(), cmap='YlGnBu')
