heatmap图可直观地展示相关性分析的结果，而且比较美观。
前期准备
数据导入
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
data= pd.read_excel('data.xlsx')
#print(data)
数据重整
data0=data.iloc[:, 72:81] #data0 data1=data.iloc[:, 1:38] data1=pd.merge(data1,data0,how='outer', left_index=True, right_index=True)
展示列名
column = data1.columns.tolist()[1:] print(column)
相关性分析
计算相关系数
mcorr1 = data1.corr() mcorr_data1 = np.array(mcorr1.结算价) print(mcorr_data1)
画热力图
需要用到seaborn库
import seaborn as sns mask1 = np.zeros_like(mcorr1, dtype=np.bool) # 构造与mcorr同维矩阵 为bool型 mask1[np.triu_indices_from(mask1)] = True # 角分线右侧为True # 绘制图像 plt.figure(figsize=(40, 40)) sns.set(font="simhei")#遇到标签需要汉字的可以在绘图前加上这句 cmap1 = sns.diverging_palette(240, 10, n=9) # 返回matplotlib colormap对象 g = sns.heatmap(mcorr1, mask=mask1, cmap=cmap1, square=True, annot=True, fmt='0.2f') # 热力图 plt.show()
seaborn.diverging_palette参数设置：seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, center='light', as_cmap=False)
在两个 HUSL 颜色直接建立一个发散调色板。
如果使用 IPython notebook，还可以通过 choose_diverging_palette() 函数交互式选择调色板。
参数：h_neg, h_pos：float in [0, 359]
图的正负范围的锚定色调
s：[0, 100] 范围内的浮点数，可选
图的两个范围的锚定饱和度
l：[0, 100] 范围内的浮点数，可选
图的两个范围的锚定亮度
n：int，可选
调色板中的颜色数（如果为not，返回一个colormap）
center：{“light”, “dark”}, 可选
调色板中心为亮或暗
as_cmap：bool, 可选
如果为 true，返回一个 matplotlib colormap 而不是一个颜色列表。
返回值：palette or cmap：seaborn color palette or matplotlib colormap
类似列表的颜色对象的 RGB 元组，或者可以将连续值映射到颜色的 colormap 对象，具体取决于
as_cmap参数的值。
更多细节可参考Seaborn 0.9 中文文档：seaborn.diverging_palette
