Создание тепловой карты из pandas DataFrame

У меня есть фрейм данных, созданный из пакета Python Pandas. Как создать тепловую карту с помощью DataFrame из пакета pandas.

import numpy as np 
from pandas import *

Index= ['aaa','bbb','ccc','ddd','eee']
Cols = ['A', 'B', 'C','D']
df = DataFrame(abs(np.random.randn(5, 4)), index= Index, columns=Cols)

>>> df
          A         B         C         D
aaa  2.431645  1.248688  0.267648  0.613826
bbb  0.809296  1.671020  1.564420  0.347662
ccc  1.501939  1.126518  0.702019  1.596048
ddd  0.137160  0.147368  1.504663  0.202822
eee  0.134540  3.708104  0.309097  1.641090
>>> 

Вы хотите matplotlib.pcolor:

import numpy as np 
from pandas import DataFrame
import matplotlib.pyplot as plt

index = ['aaa', 'bbb', 'ccc', 'ddd', 'eee']
columns = ['A', 'B', 'C', 'D']
df = DataFrame(abs(np.random.randn(5, 4)), index=index, columns=columns)

plt.pcolor(df)
plt.yticks(np.arange(0.5, len(df.index), 1), df.index)
plt.xticks(np.arange(0.5, len(df.columns), 1), df.columns)
plt.show()

Это дает:

Тем, кто смотрит на это сегодня, я бы порекомендовал Seaborn, heatmap()как описано здесь .

Пример выше был бы выполнен следующим образом:

import numpy as np 
from pandas import DataFrame
import seaborn as sns
%matplotlib inline

Index= ['aaa', 'bbb', 'ccc', 'ddd', 'eee']
Cols = ['A', 'B', 'C', 'D']
df = DataFrame(abs(np.random.randn(5, 4)), index=Index, columns=Cols)

sns.heatmap(df, annot=True)

Где %matplotlibволшебная функция IPython для незнакомых?

Если вам не нужен график, например, и вы просто заинтересованы в добавлении цвета для представления значений в формате таблицы, вы можете использовать style.background_gradient()метод фрейма данных pandas. Этот метод окрашивает HTML-таблицу, которая отображается при просмотре фреймов данных pandas, например, в JupyterLab Notebook, и результат аналогичен использованию «условного форматирования» в программном обеспечении для работы с электронными таблицами:

import numpy as np 
import pandas as pd


index= ['aaa', 'bbb', 'ccc', 'ddd', 'eee']
cols = ['A', 'B', 'C', 'D']
df = pd.DataFrame(abs(np.random.randn(5, 4)), index=index, columns=cols)
df.style.background_gradient(cmap='Blues')

Для подробного использования, пожалуйста, просмотрите более подробный ответ, который я дал ранее по той же теме, и раздел стилей документации pandas .

Полезный sns.heatmapapi здесь . Ознакомьтесь с параметрами, их очень много. Пример:

import seaborn as sns
%matplotlib inline

idx= ['aaa','bbb','ccc','ddd','eee']
cols = list('ABCD')
df = DataFrame(abs(np.random.randn(5,4)), index=idx, columns=cols)

# _r reverses the normal order of the color map 'RdYlGn'
sns.heatmap(df, cmap='RdYlGn_r', linewidths=0.5, annot=True)

Если вам нужна интерактивная тепловая карта из Pandas DataFrame и вы используете записную книжку Jupyter, вы можете попробовать интерактивный виджет Clustergrammer-Widget , см. Интерактивную записную книжку на NBViewer здесь , документация здесь

А для больших наборов данных вы можете попробовать находящийся в разработке виджет Clustergrammer2 WebGL (пример блокнота здесь )

Пожалуйста , обратите внимание , что авторы seabornтолько хотят seaborn.heatmap работать с категорическим dataframes. Это не общее.

Если ваш индекс и столбцы являются числовыми значениями и / или значениями даты и времени, этот код вам пригодится.

Для функции теплового отображения Matplotlib pcolormeshтребуются бункеры вместо индексов , поэтому есть некоторый причудливый код для создания бинов из индексов вашего фрейма данных (даже если ваш индекс неравномерно распределен!).

Остальное просто np.meshgridи plt.pcolormesh.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def conv_index_to_bins(index):
    """Calculate bins to contain the index values.
    The start and end bin boundaries are linearly extrapolated from 
    the two first and last values. The middle bin boundaries are 
    midpoints.

    Example 1: [0, 1] -> [-0.5, 0.5, 1.5]
    Example 2: [0, 1, 4] -> [-0.5, 0.5, 2.5, 5.5]
    Example 3: [4, 1, 0] -> [5.5, 2.5, 0.5, -0.5]"""
    assert index.is_monotonic_increasing or index.is_monotonic_decreasing

    # the beginning and end values are guessed from first and last two
    start = index[0] - (index[1]-index[0])/2
    end = index[-1] + (index[-1]-index[-2])/2

    # the middle values are the midpoints
    middle = pd.DataFrame({'m1': index[:-1], 'p1': index[1:]})
    middle = middle['m1'] + (middle['p1']-middle['m1'])/2

    if isinstance(index, pd.DatetimeIndex):
        idx = pd.DatetimeIndex(middle).union([start,end])
    elif isinstance(index, (pd.Float64Index,pd.RangeIndex,pd.Int64Index)):
        idx = pd.Float64Index(middle).union([start,end])
    else:
        print('Warning: guessing what to do with index type %s' % 
              type(index))
        idx = pd.Float64Index(middle).union([start,end])

    return idx.sort_values(ascending=index.is_monotonic_increasing)

def calc_df_mesh(df):
    """Calculate the two-dimensional bins to hold the index and 
    column values."""
    return np.meshgrid(conv_index_to_bins(df.index),
                       conv_index_to_bins(df.columns))

def heatmap(df):
    """Plot a heatmap of the dataframe values using the index and 
    columns"""
    X,Y = calc_df_mesh(df)
    c = plt.pcolormesh(X, Y, df.values.T)
    plt.colorbar(c)

Назовите это using heatmap(df)и посмотрите, как это делается plt.show().