接下來作者將展示如何用python代碼復(fù)現(xiàn)這個(gè)可視化，以及怎么樣改進(jìn)使其更美觀
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings("ignore")
# 示例數(shù)據(jù)集
df = pd.DataFrame(np.random.randn(100, 10), columns=["M", "V", "D", "t", "w", "n", "fy", "fc", "L", "d"])
df.head()生成一個(gè)具有10列隨機(jī)數(shù)（遵循標(biāo)準(zhǔn)正態(tài)分布）的示例數(shù)據(jù)集，并將其列名設(shè)置為[“M”, “V”, “D”, “t”, “w”, “n”, “fy”, “fc”, “L”, “d”]
# 計(jì)算皮爾遜相關(guān)系數(shù)矩陣
corr = df.corr()
# 創(chuàng)建 PairGrid
g = sns.PairGrid(df)
# 左下角繪制散點(diǎn)圖
g.map_lower(sns.scatterplot)
# 對角線繪制直方圖
g.map_diag(sns.histplot, kde=True)
# 右上角顯示相關(guān)系數(shù)
for i, j in zip(*np.triu_indices_from(corr, 1)):
g.axes[i, j].annotate(f'corr:{corr.iloc[i, j]:.2f}', (0.5, 0.5),
textcoords='axes fraction', ha='center', va='center', fontsize=20)
plt.savefig("第一種.pdf", format='pdf', bbox_inches='tight')
plt.show()
創(chuàng)建一個(gè)綜合圖表，用于展示數(shù)據(jù)集中多個(gè)變量之間的分布和線性關(guān)系，左下角部分是散點(diǎn)圖，對角線部分是直方圖與核密度估計(jì)，而右上角則顯示每對變量的皮爾遜相關(guān)系數(shù)
corr = df.corr()
g = sns.PairGrid(df)
g.map_lower(sns.scatterplot)
g.map_diag(sns.histplot, kde=True)
fig = g.fig
# 右上角替換為熱力圖（每個(gè)子圖顯示一個(gè)相關(guān)系數(shù)）
for i, j in zip(*np.triu_indices_from(corr, 1)):
ax = g.axes[i, j]
sns.heatmap(pd.DataFrame([[corr.iloc[i, j]]]), cmap=sns.diverging_palette(240, 10, as_cmap=True),
cbar=False, annot=True, fmt=".2f", square=True, ax=ax, vmin=-1, vmax=1,
annot_kws={"size": 20}) # 設(shè)置相關(guān)系數(shù)數(shù)字字體大小為12
# 在圖形旁邊添加全局色條
fig.subplots_adjust(right=0.85) # 調(diào)整圖形右側(cè)空間以顯示色條
cbar_ax = fig.add_axes([0.87, 0.15, 0.03, 0.7]) # 定義色條位置和大小
norm = plt.Normalize(vmin=-1, vmax=1)
sm = plt.cm.ScalarMappable(cmap=sns.diverging_palette(240, 10, as_cmap=True), norm=norm)
sm.set_array([]) # 為空數(shù)組設(shè)置色條
fig.colorbar(sm, cax=cbar_ax) # 添加全局色條
plt.savefig("第二種.pdf", format='pdf', bbox_inches='tight')
plt.show()
通過使用熱力圖替代右上角的空白數(shù)字顯示、添加全局色條以及調(diào)整圖形布局，確實(shí)使相關(guān)系數(shù)矩陣的展示更加直觀和信息豐富。然而，細(xì)心的讀者會(huì)發(fā)現(xiàn)，這種方法會(huì)導(dǎo)致除第一列以外的其他列的散點(diǎn)圖和直方圖顯示不完整，因此，需要進(jìn)一步優(yōu)化，而不是簡單地通過函數(shù)批量繪制散點(diǎn)圖和直方圖
corr = df.corr()
n = len(df.columns)
fig, axes = plt.subplots(n, n, figsize=(2.5 * n, 2.5 * n))
# 繪制每個(gè)位置的散點(diǎn)圖和直方圖
for i in range(n):
for j in range(n):
ax = axes[i, j]
if i == j:
# 對角線：繪制直方圖
sns.histplot(df.iloc[:, i], kde=True, ax=ax)
elif i > j:
# 下三角：繪制散點(diǎn)圖
sns.scatterplot(x=df.iloc[:, j], y=df.iloc[:, i], ax=ax)
else:
# 上三角：繪制熱圖顯示相關(guān)系數(shù)
sns.heatmap(pd.DataFrame([[corr.iloc[i, j]]]), cmap=sns.diverging_palette(240, 10, as_cmap=True),
cbar=False, annot=True, fmt=".2f", square=True, ax=ax, vmin=-1, vmax=1,
annot_kws={"size": 20}) # 設(shè)置相關(guān)系數(shù)數(shù)字字體大小
# 隱藏不需要的軸標(biāo)簽
if i < n - 1:
ax.set_xticklabels([])
if j > 0:
ax.set_yticklabels([])
# 調(diào)整子圖之間的間距
plt.subplots_adjust(hspace=0.3, wspace=0.3)
# 在圖形旁邊添加全局色條
fig.subplots_adjust(right=0.85) # 調(diào)整圖形右側(cè)空間以顯示色條
cbar_ax = fig.add_axes([0.87, 0.15, 0.03, 0.7]) # 定義色條位置和大小
norm = plt.Normalize(vmin=-1, vmax=1)
sm = plt.cm.ScalarMappable(cmap=sns.diverging_palette(240, 10, as_cmap=True), norm=norm)
sm.set_array([]) # 為空數(shù)組設(shè)置色條
fig.colorbar(sm, cax=cbar_ax) # 添加全局色條
plt.savefig("改進(jìn)后的可視化.pdf", format='pdf', bbox_inches='tight')
plt.show()
通過手動(dòng)控制每個(gè)子圖的類型和位置，解決原方法中圖像顯示不完整的問題，最后隱藏不必要的軸標(biāo)簽，減少視覺冗余，使圖表更加簡潔和清晰
當(dāng)然讀者可以通過進(jìn)一步優(yōu)化圖表元素，如調(diào)整核密度曲線的顏色、樣式以及圖例顯示等，來探索更豐富的可視化效果和數(shù)據(jù)洞察
文章轉(zhuǎn)自微信公眾號@Python機(jī)器學(xué)習(xí)AI