La biblioteca Pandas en el lenguaje de programación Python se usa ampliamente por su capacidad para crear varios tipos de estructuras de datos y también ofrece muchas operaciones para realizar en datos numéricos y de series temporales. Al mostrar un marco de datos de panda en estilo Heatmap, el usuario obtiene una visualización de los datos numéricos. Brinda una descripción general del marco de datos completo, lo que facilita mucho la comprensión de los puntos clave en el marco de datos.
Un mapa de calor es un tipo de array de figura bidimensional que ofrece una visualización de datos numéricos en forma de celdas. Cada celda del mapa de calor está coloreada y los tonos de color representan algún tipo de relación del valor con el marco de datos. Las siguientes son algunas formas de mostrar un marco de datos de Panda en estilo Heatmap.
Considere este marco de datos como un ejemplo:
Método 1: mediante el uso de la biblioteca Pandas
En este método, la biblioteca Pandas se utilizará para generar un marco de datos y el mapa de calor para él. Las celdas del mapa de calor mostrarán los valores correspondientes al marco de datos. A continuación se muestra la implementación.
# Python program to generate a heatmap
# which displays the value in each cell
# corresponding to the given dataframe
# import required libraries
import pandas as pd
# defining index for the dataframe
idx = ['1', '2', '3', '4']
# defining columns for the dataframe
cols = list('ABCD')
# entering values in the index and columns
# and converting them into a panda dataframe
df = pd.DataFrame([[10, 20, 30, 40], [50, 30, 8, 15],
[25, 14, 41, 8], [7, 14, 21, 28]],
columns = cols, index = idx)
# displaying dataframe as an heatmap
# with diverging colourmap as virdis
df.style.background_gradient(cmap ='viridis')\
.set_properties(**{'font-size': '20px'})
Producción :
Método 2: mediante el uso de la biblioteca matplotlib
En este método, el marco de datos de Panda se mostrará como un mapa de calor donde las celdas del mapa de calor estarán codificadas por colores de acuerdo con los valores en el marco de datos. Una barra de color estará presente además del mapa de calor que actúa como una leyenda para la figura. A continuación se muestra la implementación.
# Python program to generate a heatmap
# which represents panda dataframe
# in colour coding schemes
# import required libraries
import matplotlib.pyplot as plt
import pandas as pd
# Defining index for the dataframe
idx = ['1', '2', '3', '4']
# Defining columns for the dataframe
cols = list('ABCD')
# Entering values in the index and columns
# and converting them into a panda dataframe
df = pd.DataFrame([[10, 20, 30, 40], [50, 30, 8, 15],
[25, 14, 41, 8], [7, 14, 21, 28]],
columns = cols, index = idx)
# Displaying dataframe as an heatmap
# with diverging colourmap as RdYlBu
plt.imshow(df, cmap ="RdYlBu")
# Displaying a color bar to understand
# which color represents which range of data
plt.colorbar()
# Assigning labels of x-axis
# according to dataframe
plt.xticks(range(len(df)), df.columns)
# Assigning labels of y-axis
# according to dataframe
plt.yticks(range(len(df)), df.index)
# Displaying the figure
plt.show()
Producción :
Método 3: mediante el uso de la biblioteca Seaborn
En este método, se generará un mapa de calor a partir de un marco de datos de Panda en el que las celdas del mapa de calor contendrán valores correspondientes al marco de datos y estarán codificadas por colores. También se presentará una barra de color además del mapa de calor que actúa como una leyenda para la figura. A continuación se muestra la implementación.
# Python program to generate heatmap which
# represents panda dataframe in color-coding schemes
# along with values mentioned in each cell
# import required libraries
import pandas as pd
import seaborn as sns % matplotlib inline
# Defining figure size
# for the output plot
fig, ax = plt.subplots(figsize = (12, 7))
# Defining index for the dataframe
idx = ['1', '2', '3', '4']
# Defining columns for the dataframe
cols = list('ABCD')
# Entering values in the index and columns
# and converting them into a panda dataframe
df = pd.DataFrame([[10, 20, 30, 40], [50, 30, 8, 15],
[25, 14, 41, 8], [7, 14, 21, 28]],
columns = cols, index = idx)
# Displaying dataframe as an heatmap
# with diverging colourmap as RdYlGn
sns.heatmap(df, cmap ='RdYlGn', linewidths = 0.30, annot = True)
Producción :
Si la fila superior e inferior de la figura de salida no aparece con la altura adecuada, agregue debajo de dos líneas después de la última línea del código anterior.
bottom, top=ax.get_ylim()ax.set_ylim(bottom+0.5, top-0.5)
Método 4: Generar array de correlación utilizando la biblioteca Panda
Una array de correlación es un tipo especial de mapa de calor que muestra algunas ideas del marco de datos. Las celdas de este mapa de calor muestran los coeficientes de correlación, que es la relación histórica lineal entre las variables del marco de datos. En este método, solo se usa la biblioteca Pandas para generar la array de correlación. A continuación se muestra la implementación.
# Python program to generate heatmap
# which represents correlation between
# columns of panda dataframe
# import required libraries
import pandas as pd
# Defining index for the dataframe
idx = ['1', '2', '3', '4']
# Defining columns for the dataframe
cols = list('ABCD')
# Entering values in the index and columns
# and converting them into a panda dataframe
df = pd.DataFrame([[10, 20, 30, 40], [50, 30, 8, 15],
[25, 14, 41, 8], [7, 14, 21, 28]],
columns = cols, index = idx)
# generating pairwise correlation
corr = df.corr()
# Displaying dataframe as an heatmap
# with diverging colourmap as coolwarm
corr.style.background_gradient(cmap ='coolwarm')
Producción :
Método 5: Generación de array de correlación utilizando la biblioteca Seaborn
La array de correlación también se puede generar utilizando la biblioteca Seaborn. Las celdas del mapa de calor generado contendrán los coeficientes de correlación, pero los valores se redondean a diferencia del mapa de calor generado por la biblioteca Pandas. A continuación se muestra la implementación.
# Python program to generate a heatmap
# which represents the correlation between
# columns of panda dataframe
# import required libraries
import pandas as pd
import seaborn as sn
# Defining figure size
# for the output plot
fig, ax = plt.subplots(figsize = (12, 7))
# Defining index for the dataframe
idx = ['1', '2', '3', '4']
# Defining columns for the dataframe
cols = list('ABCD')
# Entering values in the index and columns
# and converting them into a panda dataframe
df = pd.DataFrame([[10, 20, 30, 40], [50, 30, 8, 15],
[25, 14, 41, 8], [7, 14, 21, 28]],
columns = cols, index = idx)
df = pd.DataFrame(df, columns =['A', 'B', 'C', 'D'])
corr = df.corr()
sn.heatmap(corr, annot = True)
Producción :
Si la fila superior e inferior de la figura de salida no aparece con la altura adecuada, agregue debajo de dos líneas después de la última línea del código anterior.
bottom, top = ax.get_ylim() ax.set_ylim(bottom + 0.5, top - 0.5)
Publicación traducida automáticamente
Artículo escrito por RISHU_MISHRA y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA