使用 Seaborn Clustermap 在Python中分层聚类的热图

Seaborn 是一个了不起的可视化库，用于在Python中绘制统计图形。它提供了漂亮的默认样式和调色板，使统计图更具吸引力。它建立在 matplotlib 库的顶部，并且也紧密集成到 Pandas 的数据结构中。

什么是聚类？

聚类基本上是根据数据中变量之间的关系对数据进行分组。聚类算法有助于在无监督学习中获取结构化数据。最常见的聚类类型如下所示。

Clustering_types

在这里，我们将看到层次聚类，尤其是 Agglomerative（自下而上）层次聚类。在凝聚聚类中，我们首先将每个数据点视为一个集群，然后反复将两个最近的集群组合成更大的集群，直到只剩下一个集群。我们在对数据执行凝聚聚类后绘制的图称为树状图。

绘制分层聚类的热图

谈到热图，它是数据的图形表示，其中使用颜色表示值。颜色强度的变化描述了数据如何在空间中聚集或变化。

seaborn 的clustermap ()函数绘制给定矩阵数据集的分层聚类热图。它返回一个聚集的网格索引。

下面是一些描述来自数据集的分层聚类热图的示例：

在 Flights 数据集中，数据（乘客人数）基于月份和年份进行聚类：

示例 1：

Python3

# Importing the library
import seaborn as sns
from sunbird.categorical_encoding import frequency_encoding
  
# Load dataset
data = sns.load_dataset('flights')
  
# Categorical encoding
frequency_encoding(data, 'month')
  
# Clustering data row-wise and
# changing color of the map.
sns.clustermap(data, figsize=(7, 7))

输出 ：

集群地图左侧的图例表示关于集群地图的信息，例如，亮色表示乘客较多，深色表示乘客较少。

示例 2：

蟒蛇3

# Importing the library
import seaborn as sns
from sunbird.categorical_encoding import frequency_encoding
  
# Load dataset
data = sns.load_dataset('flights')
  
# Categorical encoding
frequency_encoding(data, 'month')
  
# Clustering data row-wise and
# changing color of the map.
sns.clustermap(data, cmap='coolwarm', figsize=(7, 7))

输出：

在这里，我们更改了集群地图的颜色。