绘制关系矩阵的时候使用的是seaborn中的热图

    • sns.headtmap(df.corr(),cmap='cubehelix_r'绘制关系矩阵
    • df.corr().style.background_gradient(cmap='coolwarm').set_percision(2)绘制关系表格
    • 通过关系矩阵和关系表格找到和我们的标签(label)相关性最强的列
    • 分类特征和标签,分别对应x和y
      1. plt.figure(figsize=(8, 12))
      2. heatmap = sns.heatmap(df.corr()[['units_sold']].sort_values(by='units_sold', ascending=False), vmin=-1, vmax=1, annot=True, cmap='BrBG')
      3. heatmap.set_title(f'Features Correlating with units_sold', fontdict={'fontsize':18}, pad=16)
      关系矩阵实例：
      1. plt.figure(figsize=(12,8))
      2. sns.heatmap(df.corr(),cmap='RdPu',annot=True)
      关系矩阵 - 图1

    当特征的数量比较多的时候，用下面这段代码

    1. f, ax = plt.subplots(figsize=(30, 25))
    2. mat = data.corr('pearson')
    3. mask = np.triu(np.ones_like(mat, dtype=bool))
    4. cmap = sns.diverging_palette(230, 20, as_cmap=True)
    5. sns.heatmap(mat, mask=mask, cmap=cmap, vmax=1, center=0, annot = True,
    6.             square=True, linewidths=.5, cbar_kws={"shrink": .5})
    • np.triu是numpy里面的一个函数，可以将矩阵的对角线上半部或者下半部的元素全部置为0，这样更加方便阅读关系矩阵图

    关系矩阵 - 图2