Матриці
Середній рівень візуалізації даних із Seaborn
Chris Moffitt
Instructor
Підготовка даних у потрібний формат
- Функція Seaborn
heatmap()потребує даних у вигляді сітки - Часто використовують pandas
crosstab()для підготовки даних
pd.crosstab(df["mnth"], df["weekday"],
values=df["total_rentals"],aggfunc="mean").round(0)
Побудова теплової карти
sns.heatmap(pd.crosstab(df["mnth"], df["weekday"],
values=df["total_rentals"], aggfunc="mean")
)
Налаштування теплової карти
sns.heatmap(df_crosstab, annot=True, fmt="d",
cmap="YlGnBu", cbar=False, linewidths=.5)
Центрування теплової карти
- У Seaborn можна центровано налаштувати кольори теплової карти навколо певного значення
sns.heatmap(df_crosstab, annot=True, fmt="d",
cmap="YlGnBu", cbar=True,
center=df_crosstab.loc[9, 6])
Побудова кореляційної матриці
- Функція pandas
corrобчислює кореляції між стовпцями датафрейму - Результат можна відобразити як теплову карту в seaborn
cols = ['total_rentals', 'temp', 'casual', 'hum', 'windspeed']
sns.heatmap(df[cols].corr(), cmap='YlGnBu')
