Matplotlib varmekart

Heatmaps er fargede grafer som visualiserer datasett på en todimensjonal måte. For å vise forskjellige detaljer, bruker fargekartene tone, intensitet eller lysstyrke for å indusere variabilitet. Denne fargepaletten gir publikum visuelle signaler om amplituden av kvantitative verdier. Så den menneskelige hjernen oppfatter bilder bedre enn figurer, tekst eller annen skriftlig informasjon; Heatmaps ser ut til å handle om å erstatte tall med fargetoner.

Ettersom mennesker er auditive elever, er det mye mer fornuftig å representere dataene i ethvert format. Heatmaps er visuelle representasjoner av data som er enkle å tolke. Heatmaps kan skildre temaer, variasjoner og til og med avvik og illustrere metningen eller lysstyrken til variabler. Forhold mellom variablene kan avbildes ved hjelp av varmekart.

På begge dimensjoner vises alle elementer. Heatmaps har ikke sin funksjonalitet i matplotlib, slik at vi kan lage dem med IMSHOW -metoden. En spesifikk fargetone uttrykker hvert element i en matrise i et matplotlib -varmekart. Vi vil gå over matplotlib -varmekartet i denne artikkelen.

Bruk matplotlibs IMSHOW -funksjon for å lage et enkelt varmekart:

Imshow -funksjonen i Python kan lage et varmekart i matplotlib. Både et randomisert datasett og et definert datasett kan brukes. Etter det bruker vi IMSHOW -funksjonen, som fører dataene, verdien av Colormap og interpolasjonsteknikken (denne metoden hjelper til med å forbedre bildekvaliteten hvis den brukes).

For god kontrast mot panelfargen, vil inskripsjonene farges annerledes basert på en grense. Deretter slår vi av de tilstøtende aksiale ryggene og deler klyngene med et rutenett. Utgangen for ovennevnte kode kan forstås i skjermbildet under.

Heatmap med 2D -histogram ved bruk av IMSHOW:

Et varmekart er et fargevalgsmatrisevisualisering av rektangulære data. Den godtar en 2D -matrise. En ndarray kan opprettes fra disse dataene. Fordi det kan illustrere forholdet mellom flere variabler, er dette en nyttig tilnærming for å visualisere datasett.

Her vil vi lage et 2-D-histogram ved hjelp av Numpy og Matplotlibs Imshow-metode. Vi vil velge et tilfeldig datasett først, og deretter sende det til Numpy Librarys Histogram2D -metode. Etterpå vises det komplette visuelle grensesnittet. Utgangen for ovennevnte kode kan forstås i skjermbildet under.

Denne varmekartgrafen er bygget på et numpy-generert tilfeldig tall.

Bruk matplotlib for å legge til en fargelinje i et varmekart:

Colorbar er en enkel skala som hjelper oss med å forstå hvilken farge som tilsvarer hvilken verdi. Matplotlib har også en direkte funksjon for å bruke en fargelinje på plottet.

PCOLORMESH -metoden vil bli brukt i tredje forekomst av denne artikkelen. Numpys MeshGrid og Linspace -metoder er påkrevd for å lage denne formen for et varmekart. Nå vil neste fase være å bruke grunnleggende matematiske operasjoner for å bestemme plottets øvre og nedre grenser.

For å visualisere varmekart med PCOLORMESH -metoden, må vi bruke underplotteteknikken. Datasettet for de valgte parametrene som er gitt i PCOLORMESH -metoden er opprettet med Numpys Linspace -modul.

Et tilfeldig datasett brukes i Heatmap -farget graf her. Det bruker et flerfargekart (CMAP) denne gangen ved å bruke 'Blues' -skjemaet, som helt består av blå farger. Utgangen for ovennevnte kode kan forstås i skjermbildet under.

Vi bruker et varmekart for å observere assosiasjonen mellom flere elementsett. Matplotlib -varmekart med fargelinje vises i denne grafen.

Merket varmekart:

Vi vil gjerne skrive en kode for å generere et spesifikt varmekart for flere datasett og/eller dimensjoner i dette trinnet. Vi bygger en metode som aksepterer datasettet og rad- og kolonnenavnene som et argument og parametere for å endre plottet.

I tillegg til de nevnte, vil vi legge til en fargebane og sette bildetekstene rett over varmekartet i stedet for under den.

Denne forekomsten demonstrerer hvordan du lager kommenterte varmekart med IMSHOW -metoden. Heatmap -datagrafen er den samme; Imidlertid endres den visuelle stilen. Datasettet for varmekart er gitt som en matrise, og vi kan tegne en kommentert varmekart ved hjelp av underplanene og IMSHOW -metodene.

Matplotlib -biblioteket importeres først. Vi begynner med å beskrive spesifikke data. En 2D -liste eller matrise som definerer verdiene til spesifikk farge er nødvendig. Så vi initialiserer listene eller matrisene med kategorier, med settet med elementer i hver matching av verdiene hele tilsvarende akser.

Vi skal initialisere to matriser hit. Navnene på grønnsaker er representert i ett utvalg, og navnene på land er representert i den andre matrisen.

Hatmappen er en Imshow -graf med etiketter som tilsvarer klassifiseringene vi nå har. Videre, ved å bruke en for-loop, kan vi identifisere x- og y-aksene. Til slutt kan vi markere dataene ved å legge en tekst i hver celle som viser cellens verdi. Utgangen for ovennevnte kode kan forstås i skjermbildet under.

Denne produksjonen skildrer produksjonen av forskjellige grønnsaker i forskjellige land.

Konklusjon:

Et varmekart er et visuelt tiltalende verktøy for å bestemme datalysstyrken. Den bruker en rekke farger og mønstre for å uttrykke innholdet. I denne matplotlib -varmekartartikkelen har vi vist deg hvordan du lager et varmekart ved hjelp av matplotlib. Ulike funksjoner som hjelper til med å lage varmekart blir forklart. Funksjonene Imshow og Pcolormesh blir også introdusert.

Heatmaps kan brukes til å analysere og visualisere data effektivt. Vi må bruke IMshow -metoden med CMAP og interpolerte argumenter for å lage varmekart som bruker matplotlib. Dataforskere bruker ofte varmekart for å undersøke forholdet mellom ulike aspekter av data.