Erhöhen Sie die Heatmap-Schriftgröße in Seaborn

Wir beginnen diesen Artikel mit den Grundlagen der Heatmap. Wir werden lernen, was eine Heatmap ist und wie man unsere Heatmap kommentiert.

Wir werden uns auch ansehen, wie Sie die Schriftgröße unserer Tick-Etiketten in einer Seaborn-Heatmap ändern können.

Erhöhen Sie die Heatmap-Schriftgröße in Seaborn

Die Heatmap ist ein Datenvisualisierungstool, das verwendet wird, um die Größe von Daten mithilfe von Farben grafisch darzustellen. Es hilft, Werte aus einem bestimmten Datensatz leicht zu identifizieren.

Wir beginnen mit dem Import der Seaborn-Bibliothek, Matplotlib und NumPy. Wir werden einige Daten von Seaborn laden, bei denen es um Autos geht.

import seaborn as sb
import matplotlib.pyplot as plot
import numpy as np

CARS = sb.load_dataset("mpg")
CARS.head()

Jede Zeile enthält die Statistiken zu einem bestimmten Auto.

Lassen Sie uns fortfahren und einige dieser Daten gruppieren, bevor wir unsere Heatmap erstellen.

CARS.groupby("origin").cylinders.value_counts()

Wir gruppieren nach Herkunft oder Region, in der jedes Auto hergestellt wurde, und betrachten dann auch die Anzahl der Zylinder jedes Autos. Wir machen nur eine Wertzählung, also wissen wir, dass es 63 verschiedene Autos mit vier Zylindern aus Europa gab usw.

Wir können sehen, dass diese Daten diesen mehrstufigen Index haben, also müssen wir unsere Daten entstapeln. Wir werden diese fehlenden Werte mit Nullen auffüllen.

ORIGIN_CYL = CARS.groupby("origin").cylinders.value_counts().unstack().fillna(0)

Jetzt wissen wir, wie viele Autos in jeder Region mit jeder Zylinderzahl produziert wurden.

Jetzt können wir unsere erste Heatmap erstellen. Um eine Heatmap in Seaborn zu erstellen, müssen wir nur auf die Seaborn-Bibliothek verweisen, indem wir die Methode heatmap() aufrufen und den Datenrahmen ORIGIN_CYL übergeben.

import seaborn as sb
import matplotlib.pyplot as plot
import numpy as np

CARS = sb.load_dataset("mpg")
CARS.head()

CARS.groupby("origin").cylinders.value_counts()

ORIGIN_CYL = CARS.groupby("origin").cylinders.value_counts().unstack().fillna(0)
sb.heatmap(ORIGIN_CYL)
plot.show()

Wir können hier jetzt die verschiedenen Zeilen und Spalten sehen, und wir haben jeden dieser Werte einer bestimmten Farbe zugeordnet. Die niedrigeren Werte wurden den dunkleren Schattierungen zugeordnet, und die höheren Werte wurden den helleren Schattierungen zugeordnet.

Wir können unsere Heatmap ziemlich einfach mit der Eigenschaft T transponieren.

import seaborn as sb
import matplotlib.pyplot as plot
import numpy as np

CARS = sb.load_dataset("mpg")
CARS.head()

CARS.groupby("origin").cylinders.value_counts()

ORIGIN_CYL = CARS.groupby("origin").cylinders.value_counts().unstack().fillna(0)
sb.heatmap(ORIGIN_CYL.T)
plot.show()

Es wird unsere Matrix vollständig invertieren. Jetzt repräsentieren Zylinder die Zeilen und Ursprünge die Spalten.

Wir können die Anmerkungen auch durch ein Argument namens annot_kws stylen. Dieses Argument akzeptiert das Wörterbuch, und wir können verschiedene Arten von Eigenschaften übergeben.

Wir können die fontsize, fontweight und fontfamily ändern.

import seaborn as sb
import matplotlib.pyplot as plot
import numpy as np

CARS = sb.load_dataset("mpg")
CARS.head()

CARS.groupby("origin").cylinders.value_counts()

ORIGIN_CYL = CARS.groupby("origin").cylinders.value_counts().unstack().fillna(0)

sb.heatmap(
    ORIGIN_CYL,
    cmap="Blues",
    annot=True,
    fmt=".0f",
    annot_kws={"fontsize": 16, "fontweight": "bold", "fontfamily": "serif"},
)


plot.show()

Die Eigenschaft fontsize erhöht die Schriftgröße unserer Heatmap.

Wir können diese Rechtecke mit einem Quadrat-Argument skalieren. Wir können angeben, ob jedes dieser Rechtecke ein perfektes Quadrat sein soll; Wir können dies einschalten, indem wir es auf True setzen.

import seaborn as sb
import matplotlib.pyplot as plot
import numpy as np

CARS = sb.load_dataset("mpg")

sb.heatmap(CARS.corr(), cmap="RdBu", square=True)

plot.show()

Ausgang: