Tworzenie mapy cieplnej z pand DataFrame

Mam ramkę danych wygenerowaną z pakietu Pandas Pythona. Jak mogę wygenerować mapę cieplną za pomocą DataFrame z pakietu pandy.

import numpy as np 
from pandas import *

Index= ['aaa','bbb','ccc','ddd','eee']
Cols = ['A', 'B', 'C','D']
df = DataFrame(abs(np.random.randn(5, 4)), index= Index, columns=Cols)

>>> df
          A         B         C         D
aaa  2.431645  1.248688  0.267648  0.613826
bbb  0.809296  1.671020  1.564420  0.347662
ccc  1.501939  1.126518  0.702019  1.596048
ddd  0.137160  0.147368  1.504663  0.202822
eee  0.134540  3.708104  0.309097  1.641090
>>> 

Chcesz matplotlib.pcolor:

import numpy as np 
from pandas import DataFrame
import matplotlib.pyplot as plt

index = ['aaa', 'bbb', 'ccc', 'ddd', 'eee']
columns = ['A', 'B', 'C', 'D']
df = DataFrame(abs(np.random.randn(5, 4)), index=index, columns=columns)

plt.pcolor(df)
plt.yticks(np.arange(0.5, len(df.index), 1), df.index)
plt.xticks(np.arange(0.5, len(df.columns), 1), df.columns)
plt.show()

To daje:

Osobom, które patrzą na to dzisiaj, poleciłbym Seaborn heatmap()zgodnie z dokumentacją tutaj .

Powyższy przykład zostałby wykonany w następujący sposób:

import numpy as np 
from pandas import DataFrame
import seaborn as sns
%matplotlib inline

Index= ['aaa', 'bbb', 'ccc', 'ddd', 'eee']
Cols = ['A', 'B', 'C', 'D']
df = DataFrame(abs(np.random.randn(5, 4)), index=Index, columns=Cols)

sns.heatmap(df, annot=True)

Gdzie %matplotlibjest magiczna funkcja IPythona dla nieznanych osób.

Jeśli nie potrzebujesz wykresu na powiedzenie, a jesteś po prostu zainteresowany dodaniem koloru do reprezentowania wartości w formacie tabeli, możesz użyć style.background_gradient()metody ramki danych pandy. Ta metoda koloruje tabelę HTML, która jest wyświetlana podczas przeglądania ramek danych pandy w np. JupyterLab Notebook, a wynik jest podobny do użycia „formatowania warunkowego” w oprogramowaniu do obsługi arkuszy kalkulacyjnych:

import numpy as np 
import pandas as pd


index= ['aaa', 'bbb', 'ccc', 'ddd', 'eee']
cols = ['A', 'B', 'C', 'D']
df = pd.DataFrame(abs(np.random.randn(5, 4)), index=index, columns=cols)
df.style.background_gradient(cmap='Blues')

Aby uzyskać szczegółowe informacje, zapoznaj się z bardziej szczegółową odpowiedzią, której udzieliłem wcześniej na ten sam temat, oraz sekcją dotyczącą stylizacji w dokumentacji pand .

Przydatne sns.heatmapAPI jest tutaj . Sprawdź parametry, jest ich sporo. Przykład:

import seaborn as sns
%matplotlib inline

idx= ['aaa','bbb','ccc','ddd','eee']
cols = list('ABCD')
df = DataFrame(abs(np.random.randn(5,4)), index=idx, columns=cols)

# _r reverses the normal order of the color map 'RdYlGn'
sns.heatmap(df, cmap='RdYlGn_r', linewidths=0.5, annot=True)

Jeśli potrzebujesz interaktywnej mapy cieplnej z Pandas DataFrame i korzystasz z notatnika Jupyter, możesz wypróbować interaktywny widżet Clustergrammer-Widget , zobacz interaktywny notatnik w NBViewer tutaj , dokumentacja tutaj

W przypadku większych zbiorów danych możesz wypróbować rozwijany widget Clustergrammer2 WebGL (przykładowy notatnik tutaj )

Należy pamiętać, że autorzy seaborntylko chcą seaborn.heatmap pracować z kategorycznych dataframes. To nie jest ogólne.

Jeśli twój indeks i kolumny są wartościami liczbowymi i / lub datetime, ten kod będzie ci dobrze służył.

Funkcja mapowania ciepła Matplotlib pcolormeshwymaga pojemników zamiast indeksów , więc istnieje jakiś fantazyjny kod do tworzenia pojemników z indeksów ramek danych (nawet jeśli indeks nie jest równomiernie rozmieszczony!).

Reszta jest po prostu np.meshgridi plt.pcolormesh.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def conv_index_to_bins(index):
    """Calculate bins to contain the index values.
    The start and end bin boundaries are linearly extrapolated from 
    the two first and last values. The middle bin boundaries are 
    midpoints.

    Example 1: [0, 1] -> [-0.5, 0.5, 1.5]
    Example 2: [0, 1, 4] -> [-0.5, 0.5, 2.5, 5.5]
    Example 3: [4, 1, 0] -> [5.5, 2.5, 0.5, -0.5]"""
    assert index.is_monotonic_increasing or index.is_monotonic_decreasing

    # the beginning and end values are guessed from first and last two
    start = index[0] - (index[1]-index[0])/2
    end = index[-1] + (index[-1]-index[-2])/2

    # the middle values are the midpoints
    middle = pd.DataFrame({'m1': index[:-1], 'p1': index[1:]})
    middle = middle['m1'] + (middle['p1']-middle['m1'])/2

    if isinstance(index, pd.DatetimeIndex):
        idx = pd.DatetimeIndex(middle).union([start,end])
    elif isinstance(index, (pd.Float64Index,pd.RangeIndex,pd.Int64Index)):
        idx = pd.Float64Index(middle).union([start,end])
    else:
        print('Warning: guessing what to do with index type %s' % 
              type(index))
        idx = pd.Float64Index(middle).union([start,end])

    return idx.sort_values(ascending=index.is_monotonic_increasing)

def calc_df_mesh(df):
    """Calculate the two-dimensional bins to hold the index and 
    column values."""
    return np.meshgrid(conv_index_to_bins(df.index),
                       conv_index_to_bins(df.columns))

def heatmap(df):
    """Plot a heatmap of the dataframe values using the index and 
    columns"""
    X,Y = calc_df_mesh(df)
    c = plt.pcolormesh(X, Y, df.values.T)
    plt.colorbar(c)

Nazwij to używając heatmap(df)i zobacz, jak to działa plt.show().