Peta Panas 2-D adalah alat visualisasi data yang membantu merepresentasikan besarnya fenomena dalam bentuk warna. Dengan python, kita dapat memplot Peta Panas 2-D menggunakan paket Matplotlib. Ada berbagai metode untuk memplot Peta Panas 2-D, beberapa di antaranya dibahas di bawah ini.
# library import seaborn as sns import pandas as pd import numpy as np # Buat dataset df = pd. Bingkai Data (np. acak. acak((5,5)), kolom=["a","b","c","d","e"]) # Default heatmap p1 = sns. peta panas(df)Apakah Anda sedang melakukan presentasi di depan 500 siswa atau 5 eksekutif perusahaan besar, visualisasi data merupakan aspek penting dalam karier apa pun. Konsep dasarnya adalah membuat representasi visual dari kumpulan data yang diambil dari tabel, file excel, atau bahkan survei sederhana di acara lokal. Kemampuan untuk melihat kemungkinan kecenderungan dan korelasi dalam hubungan data akan secara jelas menggambarkan maksud dan atau tujuan penyajian
Di perpustakaan python, ada banyak sekali metode dan cara untuk merepresentasikan data secara visual, tetapi saya akan berfokus pada penggunaan peta panas. Peta panas adalah cara yang bagus untuk menemukan kolinearitas data dan membantu membedakan baris atau kolom mana yang harus atau tidak boleh disertakan sebagai bagian dari hasil Anda. Jika tujuannya adalah membuat beberapa model prediktor, ini akan membantu Anda memfilter variabel dependen yang kolinear. Memiliki variabel independen akan menjadi faktor, seperti yang akan Anda lihat nanti
import pandas as pdimport numpy as np
import matplotlib.pyplot as plt
import seaborn as snsdata = pd.read_csv('cars.csv')
Pandas DataFrame untuk mobil. csv
Pertama, kami ingin mengimpor pustaka python dan kumpulan data yang diperlukan; . csv'. Bagan di sebelah kiri menunjukkan jenis data apa. file csv berisi. Ada 5076 baris, masing-masing dengan nilai yang sesuai dengan 1 dari 8 kolom variabel. Saya mengambil kepala (5 baris pertama) dan ekor (5 baris terakhir) dari kerangka data panda untuk tujuan demonstrasi. Karena peta panas didasarkan pada nilai numerik, Tahun Model adalah non-numerik, yang akibatnya harus dihapus dari kumpulan data. Memang Tahun Model itu bermakna, itu dapat dimasukkan nanti dalam ringkasan hasil
Sekarang setelah kita menyiapkan data, mari beralih ke hal-hal yang menyenangkan. Menggunakan Matplotlib, kami akan menyiapkan bagan grafis dari data dengan ukuran gambar (10,6). Pada langkah selanjutnya, saya akan memberi pengantar dengan mengatakan bahwa ada metode untuk menghasilkan peta panas dari Matplotlib. Namun, mengingat Seaborn adalah perpustakaan yang pada dasarnya dibangun di atasnya, menggunakan Seaborn secara visual lebih menarik dan juga kode 1 baris yang lebih sederhana dengan python
fig, ax = plt.subplots(figsize=(10,6))sns.heatmap(data.corr(), center=0, cmap=’Blues’)
ax.set_title(‘Multi-Collinearity of Car Attributes’)_
Peta panas di atas mewakili kolinearitas beberapa variabel dalam kumpulan data. data. corr() digunakan dalam kode untuk menunjukkan korelasi antara nilai-nilai. Di sinilah kami ingin mengatur variabel independen atau target kami. Mari atur variabel target kita ke 'City mpg. ' Kami ingin mengetahui bagaimana semua variabel lain memengaruhi mil per galon di kota mobil tertentu. Melihat peta panas biru, fokusnya harus pada area gelap dan terang. Biru tua mewakili korelasi positif, sedangkan putih muda adalah korelasi negatif. Juga normal bahwa area paling gelap adalah 1. 1 rasio karena Torsi=Torsi, Panjang=Panjang, dll
Sebelum menganalisis lebih jauh, ada beberapa hal yang dapat kita lakukan untuk memperjelas peta panas ini. Dengan menyesuaikan warna dan menambahkan anotasi, yang merupakan nilai korelasi sebenarnya, hal ini memudahkan untuk membuat kesimpulan dan tindakan apa yang mungkin diambil. Sementara Kota mpg masih menjadi variabel independen kita, kita dapat melihat pada peta di bawah bahwa ada sedikit atau tidak ada korelasi antara panjang mobil dan mpg (-0. 015), meskipun korelasi tinggi antara Tenaga Kuda dan Torsi (-0. 97, -0. 98). Fitur dengan korelasi tinggi lebih bergantung secara linier dan karenanya memiliki efek yang hampir sama pada variabel dependen. Jadi, ketika dua fitur memiliki korelasi yang tinggi, kita dapat membuang salah satu dari dua fitur tersebut. Apa yang terjadi sekarang? . Namun, kami dapat menurunkan Tenaga Kuda atau Torsi dan masih menghasilkan model prediksi yang cukup akurat
fig, ax = plt.subplots(figsize=(10,6))sns.heatmap(data.corr(), center=0, cmap=’BrBG’, annot=True)
Muti-Colliearity Heatmap menambahkan atribut warna dan anotasi
Peta panas bisa datang dalam berbagai bentuk, dan multikolinearitas hanyalah salah satunya. Saya telah menyertakan di sini contoh peta panas kerapatan berwarna ungu. Data diekstraksi dari file bernama 'penerbangan. csv’ yang memuat bulan, tahun, dan jumlah penumpang. Yang ini sedikit lebih jelas, di mana tahun dan bulan keduanya merupakan variabel jumlah penumpang
Singkatnya, peta panas memberikan visual yang bagus saat membandingkan beberapa variabel dan hubungan di antara mereka. Mereka dapat membantu Anda dengan lebih banyak cara daripada yang dapat Anda bayangkan, tetapi memahami bagaimana mereka dapat digabungkan ke dalam proyek Anda adalah kuncinya