Python: Heatmaps für die Datenvisualisierung erstellen

Name: Python: Heatmaps für die Datenvisualisierung erstellen
Author: Brian Higgins

Erstellen Sie Heatmaps zur Datenvisualisierung.

Preview the first lesson free — get full access to all 3 lessons.

Kurs: On-Demand

Hallo, mein Name ist Brian Higgins und in diesen Lektionen werde ich es tun zeigen Ihnen, wie Sie Heatmaps für die Datenvisualisierung erstellen. In dieser Lektion zeige ich Ihnen, wie Sie ein zweidimensionales Bild erstellen Wärmekarte. Wir werden dann der Heatmap Styling hinzufügen und dann werden wir es tun Erstellen Sie eine interaktive Heatmap mit HVPlot. Lassen Sie uns unsere erste Heatmap erstellen. Eine 2D- oder zweidimensionale Heatmap ist eine Datenvisualisierung das die Größe der Daten anhand von Farben zeigt. Zuerst erstellen wir eine 2D-Heatmap mit Matplotlib Pyplot Imshow-Funktion. Die Imshow-Funktion übernimmt die Daten und einen Farbkartennamen als Eingabeparameter. Farbkartenwerte finden Sie auf dieser hier dargestellten Webseite Sie können darauf für alle möglichen Werte verweisen, die Sie haben Kann für verschiedene Farben in Ihrer Heatmap verwendet werden. Schauen wir uns nun den Code in der folgenden Zelle an. Also werden wir importieren die NumPy-Bibliothek als np-Alias und wir werden Pyplot verwenden mit dem PLT-Alias. Wir werden also eine 2D-Heatmap mit dem zeichnen PiPlot IamShow-Methode. Bevor wir das tun, erstellen wir zunächst eine 10 x 10 Array von zufälligen Float-Werten. Ein Float-Wert ist also alles, was eine Dezimalzahl enthält, und das Die Werte liegen zwischen Null und 0,999. Wir werden also die Zufallsfunktion von NumPy verwenden, und wir übergeben 10 Zeilen und 10 Spalten als Dimensionen von das Datenarray, das wir erstellen möchten. Und wir werden das in das Array namens „Daten“ einfügen. Als nächstes rufen wir die Imshow-Funktion von Pyplot auf Erstellen Sie unsere Heatmap für uns. Und wir werden das 10 x 10 große Array namens „Daten“ übergeben, das wir haben gerade zusammen mit unserer Farbkarte erstellt, in diesem Fall die Die Farbkarte heißt „Hot“ und „Hot“ bedeutet, dass wir es sind Verwenden von Farben, die Rottöne sind und Orangen und Gelbtöne. Dann fügen wir unserer Heatmap einfach einen Titel hinzu, um dies anzuzeigen Es handelt sich um eine 2D-Heatmap mit der Funktion „Ich bin anzeigen“. Lassen Sie uns also zeigen, wie diese Handlung aussieht. OK, beachten Sie, dass wir mit imshow eine 2D-Heatmap erstellt haben. und es hat heiße Farben, und zwar Gelb, Rot, Orange, und im Wesentlichen Brauntöne. Als nächstes erstellen wir eine weitere 2D-Heatmap mit Matplotlibs Pyplot pColorMesh Funktion. Diese Funktion ist also etwas anders. Die pColorMesh-Funktion übernimmt Daten und einen Farbkartenwert als Eingabeparameter, die gleichen wie bei der IM-Show, aber mit einem Unterschied zwischen IM Show und pColorMesh Erstens ist pColorMesh viel schneller. Die Indizierung für IM Show beginnt oben links im Diagramm. Im Gegensatz zu pColorMesh, Die Indizierung beginnt unten links. Wenn Sie also bemerken, dass Sie zu unserer IAM-Show-Heatmap zurückkehren, ist die Index 0, 0 steht oben links. Wir werden etwas anderes in unserem P-Farbnetz sehen. Auch hier wird unser Code weitgehend dem entsprechen, was wir gemacht haben zuvor mit NumPy und PyPlot, einem zufälligen Array von 10 mal 10 Schwimmer im Bereich von 0 bis 0,99 und dann rufen wir pColorMesh auf. Das ist nun der Unterschied zur letzten Codezelle und noch einmal Wir werden Daten und unsere Farbkarte übergeben. In diesem Fall verwenden wir die Farbkarte namens Blues. Daher wird es bei uns eine andere Palette an Blautönen geben Wärmekarte. Und wir geben einfach einen anderen Titel. Auch hier handelt es sich um eine 2D-Heatmap, die von Color Mesh aufgerufen wird. Zeigen wir also diese Heatmap. Okay, beachten Sie, dass wir hier eine 2D-Heatmap erstellt haben pColorMesh-Funktion, und wir haben verschiedene blaue Farben, alles von Weiß bis zu einem sehr dunklen Blau, das im sichtbar ist verschiedene Zellen unserer Heatmap. Und das andere ist unten links, unsere Indexierung beginnt dort mit der 0, 0. Danke fürs zuschauen. Seien Sie gespannt auf unsere nächste Lektion, in der wir das Styling hinzufügen werden unsere Heatmap.

Mittelstufe Anbieter : Brian Higgins 3 Lektionen · 12m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

In diesen Lektionen werden Sie lernen, wie man zweidimensionale Heatmaps erstellt. Zunächst werden Sie Heatmaps mit der Python Matplotlib Bibliothek Pyplot Unterbibliothek erstellen. Wir werden Heatmap-Daten simulieren, die mit der Numpy-Zufallsfunktion für ein zweidimensionales Array von Werten erzeugt werden. Wir zeigen Ihnen, wie Sie Heatmaps mit Beschriftungen, einem Titel, einer Färbung und einem Farbbalken gestalten können, und Sie lernen den Unterschied zwischen der Pyplot-Funktion imshow() und der Funktion pcolormesh() zur Erstellung von Heatmaps kennen.

Wir zeigen Ihnen auch, wie Sie die Python-Bibliothek Seaborn zur Erstellung einer Heatmap verwenden können. Die Vorteile der Seaborn-Heatmap werden anhand der Annotate-Funktion für Heatmap-Zellen veranschaulicht. Sie werden auch lernen, eine interaktive Heatmap mit HVPlot zu erstellen, indem Sie ein interaktives Toolbar-Widget hinzufügen, das es Ihnen ermöglicht, in das Heatmap-Diagramm einzudringen und Einblicke in die Daten zu gewinnen.

Was Sie lernen werden

Erstellen Sie zweidimensionale Heatmaps mit der Python Matplotlib Pyplot Unterbibliothek
Simulieren Sie Heatmap-Daten mit der Numpy-Zufallsfunktion für ein zweidimensionales Wertearray
Stilisieren Sie eine Heatmap mit Beschriftungen, einem Titel, Färbung und einer Farbbalken
Unterscheiden Sie zwischen den Pyplot imshow() und pcolormesh() Funktionen zum Erstellen von Heatmaps
Generieren Sie eine kommentierte Heatmap mit der Python Seaborn Bibliothek
Erstellen Sie eine interaktive Heatmap mit HVPlot, fügen Sie ein Toolbar-Widget hinzu, um in die Daten einzusteigen

Wichtige Erkenntnisse

Heatmaps können mit Matplotlib mit der Pyplot-Unterbibliothek erstellt werden, mit simulierten Daten, die von der Numpy-Zufallsfunktion generiert werden.
Heatmaps können mit Beschriftungen, einem Titel, Färbung und einer Farbbalken stilisiert werden.
Die Pyplot imshow() und pcolormesh() Funktionen bieten unterschiedliche Ansätze zum Erstellen von Heatmaps.
Die Seaborn Bibliothek kann Heatmaps generieren und unterstützt eine Annotationsfunktion für Heatmap-Zellen.
Eine interaktive Heatmap, die mit HVPlot erstellt ist, enthält ein Toolbar-Widget, mit dem Sie einen Drilldown durchführen können, um tiefere Einblicke zu erhalten.

Häufig gestellte Fragen

Was werde ich in diesem Kurs lernen?

Sie werden lernen, zweidimensionale Heatmaps mit Matplotlib's Pyplot zu erstellen, sie mit Beschriftungen, Titeln, Färbung und Farbbalken zu stilisieren, kommentierte Heatmaps mit Seaborn zu generieren und eine interaktive Heatmap mit HVPlot zu erstellen.

Welche Python-Bibliotheken behandelt dieser Kurs?

Der Kurs behandelt die Matplotlib Pyplot Unterbibliothek, Numpy (zum Simulieren von Heatmap-Daten), Seaborn und HVPlot.

Was ist der Unterschied zwischen imshow() und pcolormesh()?

Beide sind Pyplot-Funktionen zum Erstellen von Heatmaps; der Kurs demonstriert den Unterschied zwischen den Funktionen imshow() und pcolormesh().

Behandelt dieser Kurs interaktive Heatmaps?

Ja. Sie werden lernen, eine interaktive Heatmap mit HVPlot zu erstellen, und ein interaktives Toolbar-Widget hinzufügen, das es Ihnen ermöglicht, einen Drilldown durchzuführen und Einblicke in die Heatmap-Grafik und die Daten zu erhalten.

Welche Fähigkeiten hilft dieser Kurs zu entwickeln?

Er entwickelt Fähigkeiten in Datenvisualisierung, Datenkarten, Heatmaps, Informationsvisualisierung und wissenschaftlicher Visualisierung.