clustermap

sns.clustermap是Seaborn庫中用于創(chuàng)建聚類熱圖的函數(shù)，該函數(shù)能夠?qū)?shù)據(jù)集中的樣本按照相似性進(jìn)行聚類，并將聚類結(jié)果以矩陣的形式展示出來。

sns.clustermap主要用于繪制聚類熱圖，該熱圖通過顏色深淺來表示數(shù)據(jù)值的大小或類別，從而直觀地展示數(shù)據(jù)間的相似性和差異性。在聚類熱圖中，每個(gè)樣本被表示為一個(gè)方塊，方塊的顏色表示樣本的特征值，方塊的位置表示樣本的聚類結(jié)果。

使用sns.clustermap需要注意數(shù)據(jù)集的大小和復(fù)雜性，因?yàn)榫垲惙治隹赡苄枰^長的計(jì)算時(shí)間?？梢愿鶕?jù)需要對聚類熱圖進(jìn)行進(jìn)一步的自定義，如設(shè)置顏色映射、調(diào)整標(biāo)簽等。sns.clustermap函數(shù)返回的是一個(gè)ClusterGrid對象，該對象包含了熱圖和聚類樹等組件，可以通過該對象進(jìn)行進(jìn)一步的自定義和修改。

主要參數(shù)

• data：輸入的數(shù)據(jù)集，可以是Pandas DataFrame或NumPy數(shù)組。
• row_cluster：布爾值，控制是否對行進(jìn)行聚類。默認(rèn)為True。
• col_cluster：布爾值，控制是否對列進(jìn)行聚類。默認(rèn)為True。
• metric：字符串或可調(diào)用對象，指定聚類時(shí)使用的距離度量方法。默認(rèn)為'euclidean'。
• method：字符串，指定聚類時(shí)使用的算法。默認(rèn)為'average'。
• standard_scale：布爾值或整數(shù)，控制是否對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。如果為True，則按行進(jìn)行標(biāo)準(zhǔn)化；如果為整數(shù)n，則按前n個(gè)主成分進(jìn)行標(biāo)準(zhǔn)化。默認(rèn)為None，不進(jìn)行標(biāo)準(zhǔn)化處理。
• z_score：整數(shù)或布爾值，控制是否按行列計(jì)算z分?jǐn)?shù)進(jìn)行標(biāo)準(zhǔn)化。如果為整數(shù)n，則按前n個(gè)主成分進(jìn)行z分?jǐn)?shù)標(biāo)準(zhǔn)化；如果為True，則對整個(gè)數(shù)據(jù)集進(jìn)行z分?jǐn)?shù)標(biāo)準(zhǔn)化。默認(rèn)為None，不進(jìn)行z分?jǐn)?shù)標(biāo)準(zhǔn)化處理。
• cmap：字符串或Colormap對象，指定熱圖使用的顏色映射方案。默認(rèn)為Seaborn的默認(rèn)顏色映射方案。

參考實(shí)現(xiàn)

使用行和列聚類

# 加載iris數(shù)據(jù)集
iris = sns.load_dataset("iris")
# 將species列從iris數(shù)據(jù)集中彈出，并賦值給species變量
species = iris.pop("species")
# 使用seaborn庫中的clustermap函數(shù)，對iris數(shù)據(jù)集進(jìn)行聚類分析
sns.clustermap(iris)

更改圖片的大小和布局：

sns.clustermap(
    iris,
    figsize=(7, 5),
    row_cluster=False,
    dendrogram_ratio=(.1, .2),
    cbar_pos=(0, .2, .03, .4)
)

為數(shù)據(jù)添加彩色標(biāo)簽

# 創(chuàng)建一個(gè)字典，將species中的唯一值映射到"rbg"中的顏色
lut = dict(zip(species.unique(), "rbg"))
# 將species中的值映射到lut中的顏色
row_colors = species.map(lut)
# 使用seaborn的clustermap函數(shù)繪制聚類圖，并將species的顏色映射到行顏色
sns.clustermap(iris, row_colors=row_colors)

使用不同的顏色映射

# 使用seaborn庫中的clustermap函數(shù)繪制聚類熱圖
# iris為數(shù)據(jù)集，cmap為顏色映射，vmin和vmax為顏色映射的最小值和最大值
sns.clustermap(iris, cmap="mako", vmin=0, vmax=10)

使用不同的聚類參數(shù) 

# 使用seaborn庫中的clustermap函數(shù)，對iris數(shù)據(jù)集進(jìn)行聚類分析
# metric參數(shù)指定聚類時(shí)使用的距離度量方式，這里使用相關(guān)系數(shù)
# method參數(shù)指定聚類時(shí)使用的聚類方法，這里使用單鏈接法
sns.clustermap(iris, metric="correlation", method="single")

按照標(biāo)準(zhǔn)化的數(shù)據(jù)繪圖

# 使用seaborn庫中的clustermap函數(shù)對iris數(shù)據(jù)集進(jìn)行聚類分析，并將標(biāo)準(zhǔn)化后的數(shù)據(jù)繪制成熱圖
sns.clustermap(iris, standard_scale=1)

以0為均值進(jìn)行規(guī)范化

# 使用seaborn庫中的clustermap函數(shù)繪制聚類熱圖
# iris為數(shù)據(jù)集，z_score為0表示不進(jìn)行標(biāo)準(zhǔn)化，cmap為"vlag"表示使用vlag顏色映射，center為0表示將數(shù)據(jù)集中的數(shù)值中心化
sns.clustermap(iris, z_score=0, cmap="vlag", center=0)

總結(jié) 

到此這篇關(guān)于Python數(shù)據(jù)可視化之聚類圖實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Python數(shù)據(jù)可視化聚類圖內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論