seaborn.clustermap

seaborn.clustermap

<br />``seaborn.``clustermap(data, pivot_kws=None, method=’average’, metric=’euclidean’, z_score=None, standard_scale=None, figsize=(10, 10), cbar_kws=None, row_cluster=True, col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, mask=None, dendrogram_ratio=0.2, colors_ratio=0.03, cbar_pos=(0.02, 0.8, 0.05, 0.18), tree_kws=None, **kwargs)

将矩阵数据集绘制为分层聚类的热图。

参量

data：二维数组状 用于聚类的矩形数据。不能包含NA。
ivot_kws：字典，可选如果数据是整洁的数据框，则可以为pivot提供关键字参数以创建矩形数据框。
method ： str，可选用于计算聚类的链接方法。有关更多信息，请参见scipy.cluster.hierarchy.linkage文档：
metric： str，可选用于数据的距离度量。见scipy.spatial.distance.pdist文档更多选项要行使用不同的指标（或方法）和列，您可以自己构造每个链接矩阵，并将其提供为{row，col} _linkage。
z_score ： int或无，可选 0（行）或1（列）。是否计算行或列的z分数。Z分数是：z =（x-平均值）/ std，因此每行（列）中的值将减去该行的平均值（列），然后除以该行的标准差（列）。这样可以确保每一行（列）的均值为0，方差为1。
standard_scale： int或None，可选 0（行）或1（列）。是否要标准化该尺寸（对于每一行或每一列而言），请减去最小值并将其除以最大值。
figsize ：（宽度，高度），可选 图的整体大小。
cbar_kws ： dict，可选要传递给cbar_kwsin的关键字参数heatmap，例如，将标签添加到颜色栏。
{row，col} _cluster ： bool，可选如果为True，则将{行，列}聚类。
{row，col} _linkage ： numpy.array，可选行或列的预先计算的链接矩阵。有关特定格式，请参见scipy.cluster.hierarchy.linkage。
{row，col} _colors：类列表或pandas DataFrame /系列，可选要为行或列标记的颜色列表。有助于评估组中的样本是否聚集在一起。可以将嵌套列表或DataFrame用于多个颜色级别的标签。如果指定为DataFrame或Series，则从DataFrames列名称或Series的名称中提取颜色的标签。DataFrame / Series颜色也通过其索引与数据匹配，以确保按正确的顺序绘制颜色。
mask ：布尔数组或DataFrame，可选如果通过，数据将不会显示在mask为True的单元格中。缺少值的单元格将被自动屏蔽。仅用于可视化，不用于计算。
{dendrogram，colors} _ratio：浮点数或一对浮点数，可选 图形大小的比例专用于两个边际元素。如果给出一对，则它们对应于（行，列）比率。
cbar_pos： （左，下，宽度，高度），可选彩条轴在图中的位置。设置为None将禁用颜色条。
tree_kws： dict，可选的参数，matplotlib.collections.LineCollection 用于绘制树状图的线条。
kwargs： 其他关键字参数所有其他关键字参数都传递给 heatmap()

返回 clustergrid：ClusterGrid 一个ClusterGrid实例。

注意

savefig如果要保存图形对象而不裁剪树状图，则应使用返回的对象的方法。
要访问重新排序的行索引，请使用： clustergrid.dendrogram_row.reordered_ind
列索引，使用： clustergrid.dendrogram_col.reordered_ind

例子

绘制聚类的热图：

import seaborn as sns; sns.set(color_codes=True)
iris = sns.load_dataset("iris")
species = iris.pop("species")
g = sns.clustermap(iris)

更改图形的大小和布局：

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

添加彩色标签以标识观察结果：

lut = dict(zip(species.unique(), "rbg"))
row_colors = species.map(lut)
g = sns.clustermap(iris, row_colors=row_colors)

使用其他颜色表并调整颜色范围的限制：

g = sns.clustermap(iris, cmap="mako", vmin=0, vmax=10)

使用不同的相似性指标：

g = sns.clustermap(iris, metric="correlation")

使用其他群集方法：

g = sns.clustermap(iris, method="single")

标准化列中的数据：

g = sns.clustermap(iris, standard_scale=1)

标准化行中的数据：

g = sns.clustermap(iris, z_score=0, cmap="vlag")

回到顶部

生物信息学

seaborn.clustermap — seaborn 0.10.0 documentation

seaborn.clustermap