У меня есть следующий фрейм данных, и я хотел бы различать незначительные десятичные различия на каждом «шаге» с другой цветовой схемой на тепловой карте.
Пример данных:
Sample Step 2 Step 3 Step 4 Step 5 Step 6 Step 7 Step 8
A 64.847 54.821 20.897 39.733 23.257 74.942 75.945
B 64.885 54.767 20.828 39.613 23.093 74.963 75.928
C 65.036 54.772 20.939 39.835 23.283 74.944 75.871
D 64.869 54.740 21.039 39.889 23.322 74.925 75.894
E 64.911 54.730 20.858 39.608 23.101 74.956 75.930
F 64.838 54.749 20.707 39.394 22.984 74.929 75.941
G 64.887 54.781 20.948 39.748 23.238 74.957 75.909
H 64.903 54.720 20.783 39.540 23.028 74.898 75.911
I 64.875 54.761 20.911 39.695 23.082 74.897 75.866
J 64.839 54.717 20.692 39.377 22.853 74.849 75.939
K 64.857 54.736 20.934 39.699 23.130 74.880 75.903
L 64.754 54.746 20.777 39.536 22.991 74.877 75.902
M 64.798 54.811 20.963 39.824 23.187 74.886 75.895
🤔 А знаете ли вы, что...
С Python можно создавать настольные приложения с использованием библиотеки Tkinter.
Мой первый подход будет основан на фигуре с несколькими сюжетными линиями. Количество графиков будет равно количеству столбцов в вашем фрейме данных; разрыв между графиками можно сократить до нуля:
cm = ['Blues', 'Reds', 'Greens', 'Oranges', 'Purples', 'bone', 'winter']
f, axs = plt.subplots(1, df.columns.size, gridspec_kw = {'wspace': 0})
for i, (s, a, c) in enumerate(zip(df.columns, axs, cm)):
sns.heatmap(np.array([df[s].values]).T, yticklabels=df.index, xticklabels=[s], annot=True, fmt='.2f', ax=a, cmap=c, cbar=False)
if i>0:
a.yaxis.set_ticks([])
Не уверен, что это приведет к полезной или даже самоописывающей визуализации данных, но это ваш выбор - возможно, это поможет начать...
Дополнительно:
Что касается добавления цветовых полос: конечно, вы можете. Но, помимо того, что я не знаю предыстории ваших данных и цели визуализации, я хотел бы добавить несколько мыслей по этому поводу:
Первый: добавление всех этих цветовых полос в виде отдельной группы полос с одной стороны или под тепловой картой, вероятно, возможно, но мне уже довольно сложно читать данные, плюс: у вас уже есть все эти аннотации - это все испортит. думаю.
Кроме того: тем временем @ImportanceOfBeingErnest предоставил такое прекрасное решение по этой теме, что здесь это было бы не слишком значимым.
Второй: если вы действительно хотите придерживаться тепловой карты, возможно, разделение и присвоение каждому столбцу своей цветовой полосы подойдет лучше:
cm = ['Blues', 'Reds', 'Greens', 'Oranges', 'Purples', 'bone', 'winter']
f, axs = plt.subplots(1, df.columns.size, figsize=(10, 3))
for i, (s, a, c) in enumerate(zip(df.columns, axs, cm)):
sns.heatmap(np.array([df[s].values]).T, yticklabels=df.index, xticklabels=[s], annot=True, fmt='.2f', ax=a, cmap=c)
if i>0:
a.yaxis.set_ticks([])
f.tight_layout()
Однако все сказанное — смею сомневаться, что это лучшая визуализация для ваших данных. Я, конечно, не знаю, что вы хотите сказать, увидеть или найти этими сюжетами, но в том-то и дело: если бы тип визуализации подходил под нужды, наверное, я бы знал (или хотя бы мог представить).
Вот например:
Простой df.plot()
приводит к
и я чувствую, что это больше говорит о различных характеристиках ваших столбцов в течение нескольких десятых долей секунды, чем тепловая карта.
Или вы явно ищете различия в значениях каждого столбца?
(df - df.mean()).plot()
... или распределение каждого столбца вокруг них?
(df - df.mean()).boxplot()
Что я хочу сказать: визуализация данных становится мощной, когда график начинает рассказывать что-то о лежащих в основе данных, прежде чем вы начнете/должны что-то объяснять...
Я полагаю, что проблему можно разделить на несколько частей.
Получение нескольких тепловых карт с разными цветовыми картами на одном изображении. Это можно сделать, маскируя весь массив по столбцам, построить каждый маскированный массив отдельно через imshow
и применить другую цветовую карту. Чтобы визуализировать концепцию:
Получение переменного количества различных цветовых карт. Matplotlib предоставляет большое количество цветовых карт, однако в целом они сильно различаются по яркости и насыщенности. Здесь кажется желательным иметь цветовые карты разного оттенка, но с одинаковой насыщенностью и яркостью.
Вариант - создавать палитры на лету, выбирая n
разные (и одинаково расположенные) оттенки, и создавать колористику, используя ту же насыщенность и яркость.
Получение отдельной цветовой полосы для каждого столбца. Поскольку значения в столбцах могут иметь совершенно разные масштабы, для каждого столбца потребуется цветная полоса, чтобы знать отображаемые значения, например. в первом столбце самый яркий цвет может соответствовать значению 1, а во втором столбце он может соответствовать значению 100. Несколько цветовых полос могут быть созданы внутри осей GridSpec
, которые располагаются рядом с фактическими осями тепловой карты. . Количество столбцов и строк этой спецификации сетки будет зависеть от количества столбцов в фрейме данных.
В сумме это может выглядеть следующим образом.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
from matplotlib.gridspec import GridSpec
def get_hsvcmap(i, N, rot=0.):
nsc = 24
chsv = mcolors.rgb_to_hsv(plt.cm.hsv(((np.arange(N)/N)+rot) % 1.)[i,:3])
rhsv = mcolors.rgb_to_hsv(plt.cm.Reds(np.linspace(.2,1,nsc))[:,:3])
arhsv = np.tile(chsv,nsc).reshape(nsc,3)
arhsv[:,1:] = rhsv[:,1:]
rgb = mcolors.hsv_to_rgb(arhsv)
return mcolors.LinearSegmentedColormap.from_list("",rgb)
def columnwise_heatmap(array, ax=None, **kw):
ax = ax or plt.gca()
premask = np.tile(np.arange(array.shape[1]), array.shape[0]).reshape(array.shape)
images = []
for i in range(array.shape[1]):
col = np.ma.array(array, mask = premask != i)
im = ax.imshow(col, cmap=get_hsvcmap(i, array.shape[1], rot=0.5), **kw)
images.append(im)
return images
### Create some dataset
ind = list("ABCDEFGHIJKLM")
m = len(ind)
n = 8
df = pd.DataFrame(np.random.randn(m,n) + np.random.randint(20,70,n),
index=ind, columns=[f"Step {i}" for i in range(2,2+n)])
### Plot data
fig, ax = plt.subplots(figsize=(8,4.5))
ims = columnwise_heatmap(df.values, ax=ax, aspect = "auto")
ax.set(xticks=np.arange(len(df.columns)), yticks=np.arange(len(df)),
xticklabels=df.columns, yticklabels=df.index)
ax.tick_params(bottom=False, top=False,
labelbottom=False, labeltop=True, left=False)
### Optionally add colorbars.
fig.subplots_adjust(left=0.06, right=0.65)
rows = 3
cols = len(df.columns) // rows + int(len(df.columns)%rows > 0)
gs = GridSpec(rows, cols)
gs.update(left=0.7, right=0.95, wspace=1, hspace=0.3)
for i, im in enumerate(ims):
cax = fig.add_subplot(gs[i//cols, i % cols])
fig.colorbar(im, cax = cax)
cax.set_title(df.columns[i], fontsize=10)
plt.show()