Seaborn.clustermap() 方法

---

---

Seaborn.clustermap() 方法用於將資料集繪製為分層聚類的熱圖。

聚類圖是一種互動式地圖，當繪製的太多資料點過於靠近彼此，導致難以確定變化並從給定資料中得出結論時，它非常有用。它也被稱為氣泡圖，用於衡量不同位置的叢集的效能、大小和存在。

語法

以下是 seaborn.clustermap() 方法的語法：

引數

下面討論了 seaborn.clustermap() 方法的一些引數。

返回值

此方法返回一個 ClusterGrid 例項。

載入 seaborn 庫

在繼續開發繪圖之前，讓我們載入 seaborn 庫和資料集。要載入或匯入 seaborn 庫，可以使用以下程式碼行。

Import seaborn as sns

載入資料集

在本文中，我們將使用 seaborn 庫中內建的 flights 資料集。以下命令用於載入資料集。

flights=sns.load_dataset("flights")

以下命令用於檢視資料集中前 5 行。這使我們能夠了解可以使用哪些變數來繪製圖形。

flights.head()

以下是上述程式碼段的輸出。

index,year,passengers
0,1949,112
1,1949,118
2,1949,132
3,1949,129
4,1949,121

現在我們已經載入了資料集，我們將探索一些示例。

示例 1

我們使用上面提到的 flights 資料集，並且由於我們要繪製聚類圖，因此必須從資料集中彈出分類變數。因此，在這種情況下，month 列被彈出/刪除，然後生成聚類圖。然後我們將 flights 資料幀以及 figsize 和 cmap 引數傳遞給 clustermap 函式。figsize 引數確定圖的大小引數，cmap 確定圖的顏色。

import seaborn as sns
import matplotlib.pyplot as plt
flights=sns.load_dataset("flights")
flights.head()
data=flights.pop('month')
sns.clustermap(flights, cmap='vlag', figsize=(7, 7))
plt.show()

輸出

示例 2

在此示例中，我們將 vmin 和 vmax 引數與 cmap 和資料幀一起傳遞。Vmax 和 vmin 是可選引數，接受浮點值作為輸入，這些值用作顏色對映錨點；否則，將使用資料和其他關鍵字引數來推斷它們。當傳遞這些引數時，我們將注意到圖的變化。

import seaborn as sns
import matplotlib.pyplot as plt
flights=sns.load_dataset("flights")
flights.head()
sns.clustermap(flights, cmap="mako", vmin=0, vmax=1000)
plt.show()

輸出

示例 3

Metric 是 seaborn 庫中 clustermap() 方法的一個非常有用的引數。它接受字串值，並確定用於計算叢集的連結方法。

在下面的程式碼中，我們將 flights 資料幀以及 metric 引數傳遞給 clustermap 函式。metric 引數採用不同的值，在此示例中，我們傳遞了相關性。

import seaborn as sns
import matplotlib.pyplot as plt
flights=sns.load_dataset("flights")
flights.head()
sns.clustermap(flights, metric="correlation")
plt.show()

輸出

示例 4

Standard_scale 是另一個常用的引數，在下面的示例中，我們使用此引數並在 flights 資料集上獲得聚類圖。

standard_scale 是一個可選引數，接受整數值，一行或一列。傳遞的值確定是否標準化該維度，這需要將每一行或每一列的最大值除以其最小值。

import seaborn as sns
import matplotlib.pyplot as plt
flights=sns.load_dataset("flights")
flights.head()
sns.clustermap(flights, standard_scale=1,cmap="vlag")
plt.show()

輸出

執行上述程式碼行後獲得的圖如下所示：