Seaborn Heatmap

Seabon Heatmap

Correlation

• Feature간의 상관관계를 확인할 때 corr()함수를 사용한다.Iris Dataset을 불러온 뒤 상관관계를 확인해 보자.

import pandas as pd
import numpy as np
import seaborn as sns
import pydataset

iris = pydataset.data('iris')

iris.corr()

	Sepal.Length	Sepal.Width	Petal.Length	Petal.Width
Sepal.Length	1.000000	-0.117570	0.871754	0.817941
Sepal.Width	-0.117570	1.000000	-0.428440	-0.366126
Petal.Length	0.871754	-0.428440	1.000000	0.962865
Petal.Width	0.817941	-0.366126	0.962865	1.000000

• 두 Feature간의 상관관계가 양 수이면 두 Feature간에 양의 상관관계가 있다고 하고 음수이면 음의 상관관계가 있다고 한다.

양의 상관관계가 있는 두 Feature는 한 Feature가 증가하는 양상을 보이면 다른 Feature도 동일한 양상을 보이며, Correlation이 클 수록 그 양상이 더 비슷 하다 할 수 있다.

Seaborn.heatmap

Seaborn의 heatmap을 이용하여 corr()을 한눈에 알아 볼 수 있게 시각화 할 수 있다.

sns.heatmap(iris.corr())

c:\users\sjhsj\appdata\local\programs\python\python38\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 8722 missing from current font.
  font.set_text(s, 0.0, flags=flags)
c:\users\sjhsj\appdata\local\programs\python\python38\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 8722 missing from current font.
  font.set_text(s, 0, flags=flags)

<AxesSubplot:>

• annot option을 활용하여 각 Cell에 correlation 지표를 할당 할 수 있다.

sns.heatmap(iris.corr(), annot=True)

<AxesSubplot:>

Seaborn의 Size를 조절하는 몇가지 방법

sns.set(rc = {'figure.figsize':(15,8)})
sns.heatmap(iris.corr())

<AxesSubplot:>

• matplotlib를 활용하여 Size 조정

import matplotlib.pyplot as plt

plt.gcf().set_size_inches(15, 8)
sns.heatmap(iris.corr(), annot=True)

<AxesSubplot:>

plt.figure(figsize = (15,8))
sns.heatmap(iris.corr(), annot=True)

<AxesSubplot:>