Erstellen einer Heatmap aus Pandas DataFrame

Ich habe einen Datenrahmen aus Pythons Pandas-Paket generiert. Wie kann ich eine Heatmap mit DataFrame aus dem Pandas-Paket erstellen?

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
>>> 

Sie wollen 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()

Das gibt:

Für Leute, die sich das heute ansehen, würde ich das Seaborn empfehlen, heatmap()wie hier dokumentiert .

Das obige Beispiel würde wie folgt durchgeführt:

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)

Wo %matplotlibist eine IPython-Zauberfunktion für Unbekannte?

Wenn Sie kein Plot per say benötigen und einfach nur Farbe hinzufügen möchten, um die Werte in einem Tabellenformat darzustellen, können Sie die style.background_gradient()Methode des Pandas-Datenrahmens verwenden. Diese Methode färbt die HTML-Tabelle ein, die beim Anzeigen von Pandas-Datenrahmen im JupyterLab-Notizbuch angezeigt wird. Das Ergebnis ähnelt der Verwendung der "bedingten Formatierung" in der Tabellenkalkulationssoftware:

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')

Ausführliche Informationen zur Verwendung finden Sie in der ausführlicheren Antwort, die ich zuvor zum gleichen Thema gegeben habe, und im Abschnitt zum Styling der Pandas-Dokumentation .

Nützliche sns.heatmapAPI ist hier . Überprüfen Sie die Parameter, es gibt eine gute Anzahl von ihnen. Beispiel:

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)

Wenn Sie eine interaktive Heatmap von einem Pandas DataFrame möchten und ein Jupyter-Notizbuch ausführen, können Sie das interaktive Widget Clustergrammer-Widget ausprobieren. Das interaktive Notizbuch in NBViewer finden Sie hier , die Dokumentation hier

Für größere Datenmengen können Sie das in der Entwicklung befindliche Clustergrammer2- WebGL-Widget (Beispielnotizbuch hier ) ausprobieren.

Bitte beachten Sie, dass die Autoren seabornnur wollen seaborn.heatmap mit kategorischen Datenrahmen an der Arbeit. Es ist nicht allgemein.

Wenn Ihr Index und Ihre Spalten numerische Werte und / oder Datums- / Uhrzeitwerte sind, ist dieser Code für Sie von Vorteil.

Für die Matplotlib-Heat-Mapping-Funktion pcolormeshsind Bins anstelle von Indizes erforderlich. Daher gibt es einen ausgefallenen Code zum Erstellen von Bins aus Ihren Dataframe-Indizes (auch wenn Ihr Index nicht gleichmäßig verteilt ist!).

Der Rest ist einfach np.meshgridund 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)

Nennen Sie es mit heatmap(df)und sehen Sie es mit plt.show().