Créer une carte thermique avec Python

Publié: 2023-01-02

Une carte thermique se compose de valeurs présentant différentes nuances d'une couleur pour les valeurs individuelles à tracer. Généralement, les nuances les plus foncées du graphique représentent des valeurs supérieures à la nuance la plus claire. Pour une valeur nettement différente, une couleur totalement différente peut également être utilisée. Les valeurs des données sont affichées à l'aide de couleurs dans le graphique. L'objectif principal d'une carte thermique est de fournir une liste visuelle colorée des informations fournies. Une carte thermique (ou carte thermique) est une technique de visualisation de données qui affiche l'ampleur d'un phénomène sous forme de couleur en deux dimensions. Une carte thermique, pour être précis, est une technique de visualisation de données qui utilise la couleur pour montrer comment une valeur d'intérêt varie en fonction des valeurs des deux autres variables. Pour résumer, l'utilisation de différentes couleurs pour représenter les données vous donne une vue générale des données numériques. En plus de cela, Python heatmap comprend l'exécution d'une analyse de cluster, la régularisation des matrices, le choix d'une certaine palette de couleurs ainsi que la commutation de lignes et de colonnes pour placer des valeurs similaires à proximité.

Par exemple, vous pouvez utiliser une carte thermique afin de comprendre exactement comment la pollution de l'air change en fonction de l'heure de la journée dans un ensemble de villes.

Une carte thermique de site Web peut être comprise de deux manières : en voyant la visualisation et en révisant les points de données brutes. Les tendances et les problèmes de clics peuvent être remarqués en un coup d'œil en raison de la nature codée par couleur des cartes thermiques (le rouge indique le plus d'interactions, le bleu le moins).

Une Heatmap 2-D est un outil de visualisation de données qui permet de représenter l'ampleur du phénomène sous forme de couleurs. En Python, les cartes thermiques 2D peuvent être tracées à l'aide du package Matplotlib. Plusieurs méthodes peuvent être utilisées pour tracer des cartes thermiques 2D. certains d'entre eux sont discutés ci-dessous.

Consultez nos cours de science des données pour vous perfectionner.

Table des matières

Méthode 1 : Utilisation de la fonction matplotlib.pyplot.imshow()

Syntaxe : matplotlib.pyplot.imshow(X, cmap=Aucun, norm=Aucun, aspect=Aucun, interpolation=Aucun, alpha=Aucun, vmin=Aucun,

vmax=Aucun, origin=Aucun, extent=Aucun, shape=<paramètre obsolète>, filternorm=1, filterrad=4.0,

imlim=<paramètre obsolète>, resample=Aucun, url=Aucun, \, data=Aucun, \\*kwargs)

Méthode 2 : Utilisation de la bibliothèque Seaborn

Pour cela, nous utilisons la fonction seaborn.heatmap()

Syntaxe : seaborn.heatmap(data, *, vmin=None, vmax=None, cmap=None, center=None, robust=False,annot=None,

fmt='.2g', annot_kws=Aucun, linewidths=0, linecolor='white', cbar=True, cbar_kws=Aucun, cbar_ax=Aucun,

carré=Faux, xticklabels='auto', yticklabels='auto', masque=Aucun, ax=Aucun, **kwargs)

Explorez nos cours populaires en science des données

Programme exécutif de troisième cycle en science des données de l'IIITB Programme de certificat professionnel en science des données pour la prise de décision commerciale Master of Science en science des données de l'Université de l'Arizona
Programme de certificat avancé en science des données de l'IIITB Programme de certificat professionnel en science des données et analyse commerciale de l'Université du Maryland Cours de science des données

Méthode 3 : Utilisation de la fonction matplotlib.pyplot.pcolormesh()

Syntaxe : matplotlib.pyplot.pcolormesh(*args, alpha=Aucun, norm=Aucun, cmap=Aucun, vmin=Aucun, vmax=Aucun,

shading='flat', antialiased=False, data=None, **kwargs)

Seaborn est une bibliothèque Python qui nous permet de créer facilement de meilleurs graphiques, à l'aide de sa fonction heatmap(). Cette section commence par un article expliquant l'utilisation fondamentale de la fonction basée sur tout type d'entrée de données. Ensuite, il vous guidera à travers les différentes manières de personnaliser le graphique, comme le contrôle des couleurs et la normalisation des données.

Habituellement, nous utilisons des techniques de clustering sur une carte thermique. Ceci est fait afin de regrouper les éléments ayant un type de modèle similaire pour leurs variables numériques.

Généralement, il est recommandé d'afficher un dendrogramme. pour allouer des objets aux clusters.) sur

en haut de la carte thermique pour décrire comment la clusterisation a été effectuée. Enfin, il peut être utile de comparer le regroupement que nous avons obtenu avec une structure attendue, indiquée par une couleur supplémentaire.

Comment interpréter une carte thermique en Python :

Les meilleures compétences en science des données à apprendre en 2022

SL. Non Les meilleures compétences en science des données à apprendre en 2022
1 Cours d'analyse de données Cours de statistiques inférentielles
2 Programmes de tests d'hypothèses Cours de régression logistique
3 Cours de régression linéaire Algèbre linéaire pour l'analyse

Visualisation de données Python — Heatmaps

  1. importer des pandas en tant que pd. importer numpy en tant que np. importez matplotlib .pyplot en tant que plt.
  2. fig, hache = plt.subplots(figsize=(10,6)) sns. heatmap (data.corr(), center=0, cmap='Blues') ax.set_title('Multi-Collinearity of Car Attributes') 3. fig, ax = plt.subplots(figsize=(10,6)) sns . carte thermique ( data.corr (), center=0, cmap='BrBG', annot=True)

Comment créer une carte thermique :

  1. Chargez le jeu de données.
  2. Créez un tableau Python Numpy.
  3. Produire un Pivot en Python.
  4. Créez un tableau pour annoter la carte thermique .
  5. Construisez la figure Matplotlib et définissez l' intrigue .
  6. Construire la Heatmap.

Maintenant, la question est de savoir comment augmenter la taille des annotations d'une carte thermique Seaborn en Python ? C'est simple - Un seaborn peut être expliqué en termes de bibliothèque Python basée sur matplotlib et est en fait utilisée pour la visualisation de données.

Lisez nos articles populaires sur la science des données

Cheminement de carrière en science des données : un guide de carrière complet Croissance de carrière en science des données : l'avenir du travail est là Pourquoi la science des données est-elle importante ? 8 façons dont la science des données apporte de la valeur à l'entreprise
Pertinence de la science des données pour les managers La feuille de triche ultime de la science des données que tous les scientifiques des données devraient avoir Top 6 des raisons pour lesquelles vous devriez devenir Data Scientist
Une journée dans la vie d'un data scientist : que font-ils ? Mythe brisé : la science des données n'a pas besoin de codage Business Intelligence vs Data Science : quelles sont les différences ?

Approche

  • Module à importer
  • Charger ou produire des données
  • Appelez la fonction heatmap () avec annot défini sur True.
  • La taille doit être personnalisée avec le paramètre annot_kws
  • Terrain à exposer

Changer la couleur de la carte thermique :

La couleur de la carte de chaleur de Seaborn peut être modifiée en utilisant l'attribut cmap de la carte de couleur de la carte de chaleur.

Types de cartes thermiques :

Il existe généralement deux types de Heatmaps :

  1. Carte thermique de la grille : il existe une amplitude de valeurs affichées à travers des couleurs qui sont disposées dans une matrice de lignes ainsi que de colonnes, le plus souvent par une fonction basée sur la densité. Vous trouverez ci-dessous quelques cartes thermiques de grille
  • Carte thermique en cluster - L'objectif même de la carte thermique en cluster est de créer simplement des associations entre les caractéristiques et les points de données. Il s'agit du type de carte thermique qui implémente le regroupement dans le cadre du processus de regroupement d'entités de nature similaire.

Les cartes thermiques groupées sont également largement utilisées dans les sciences biologiques afin d'étudier les similitudes génétiques entre différents individus.

  • Carte de chaleur spatiale - Une carte de chaleur a plusieurs carrés et chaque carré d' une carte de chaleur se voit en fait attribuer une représentation en couleur sur la base de la valeur des cellules voisines. L'emplacement même de la couleur est basé sur l' ampleur de la valeur dans l'espace particulier. Ces Heatmaps sont en fait des peintures par numéros basées sur les données qui sont recouvertes d'une image. Les cellules qui ont une valeur plus élevée que les autres cellules se voient attribuer une couleur chaude, tandis que les cellules qui ont des valeurs inférieures se voient attribuer une couleur froide.

UTILISATIONS DES CARTES DE CHALEUR :

  • Analyse commerciale : une carte thermique est utilisée comme un outil visuel d'analyse commerciale et fournit des indices visuels très rapides sur les performances actuelles, les résultats ainsi que toute possibilité d'amélioration. Les cartes thermiques peuvent également analyser les données existantes ainsi que trouver des zones d'intensité qui pourraient refléter l'endroit où résident la plupart des clients. Les cartes thermiques peuvent également être continuellement mises à jour afin de refléter la croissance et les efforts. Ces cartes peuvent également être intégrées dans le flux de travail d'une entreprise et faire ainsi partie de l'analyse en cours. Celles-ci

présenter les données d'une manière visuellement agréable et facilite également la compréhension et la communication aux membres de l'équipe ou aux clients.

  • Site Web : les cartes thermiques sont en fait utilisées dans les sites Web afin de visualiser les données des visiteurs. Ce type de visualisation aide les propriétaires d'entreprise, ainsi que les spécialistes du marketing, à identifier la section la plus performante ainsi que la moins performante d'une certaine page Web. Ces visions les aident également à mieux optimiser leur site Web.
  • Analyse exploratoire des données : Ceci est également connu sous le nom d'EDA et c'est une tâche qui est effectuée par des scientifiques des données afin de se familiariser avec toutes les données. En fait, toutes les études initiales sont faites de manière à comprendre les données dites EDA . Cela peut également être expliqué comme le processus d'analyse des ensembles de données avant le début de la tâche de modélisation. En fait, il est assez ennuyeux de regarder une feuille de calcul remplie de chiffres afin de déterminer les caractéristiques importantes d'un ensemble de données. Ainsi, l'EDA est effectuée afin de résumer leurs principales caractéristiques et spécifications, souvent avec des méthodes visuelles, qui incluent également des Heatmaps. Il s'agit d'une manière captivante de visualiser les relations entre les variables dans un espace de grande dimension. Cela peut être facilement fait en utilisant des variables de fonctionnalité comme en-têtes de ligne ainsi que comme en-têtes de colonne.
  • Biologie moléculaire : les cartes thermiques sont utilisées pour étudier la disparité ainsi que les modèles de similitude dans l'ARN, l'ADN, etc.
  • Géovisualisation : Les cartes thermiques géospatiales sont très utiles lorsqu'il s'agit d'afficher comment les zones géographiques d'une carte sont comparées les unes aux autres sur la base de critères spécifiques. Les cartes thermiques aident également à l'analyse des grappes ou à l'analyse des points chauds afin de détecter les grappes de fortes concentrations d'activité. Prenez, par exemple, l'analyse des prix de location Airbnb !
  • Marketing et ventes : la capacité d'une carte thermique à détecter les points froids et chauds est utilisée afin d'augmenter les taux de réponse marketing grâce à un marketing ciblé. Les cartes thermiques facilitent également la détection des zones qui répondent aux campagnes, aux marchés mal desservis, à la résidence des clients ainsi qu'aux tendances de vente élevées - celles-ci aident à améliorer les gammes de produits, à capitaliser sur les ventes et à créer des segments de clientèle ciblés tout en analysant la démographie régionale.

Conclusion

Bien qu'il existe de nombreux schémas de couleurs différents qui peuvent illustrer la carte thermique, il comporte également un ensemble d' avantages perceptifs ainsi que des inconvénients pour chacun. Les choix de palette de couleurs vont en fait au-delà de l'esthétique, en particulier parce que les couleurs de la carte thermique révèlent des modèles dans les données. En fait, de bons schémas de couleurs peuvent améliorer la découverte de motifs. Cependant, de mauvais choix peuvent en fait le cacher . En plus de cela, les cartes thermiques Seaborn sont des cartes thermiques en grille qui peuvent en fait prendre différents types de données afin de générer des cartes thermiques. Par conséquent, l' objectif principal de la carte thermique de Seaborn est simplement de montrer la matrice de corrélation par la visualisation des données. Cela aide également à trouver la relation entre plusieurs fonctionnalités ainsi que les fonctionnalités les mieux adaptées à la création de modèles d'apprentissage automatique.

Si vous souhaitez approfondir votre travail avec Python, en particulier pour la science des données, upGrad vous propose le PGP exécutif en science des données. Ce programme est conçu pour les professionnels de l'informatique de niveau intermédiaire, les ingénieurs en logiciel qui souhaitent explorer la science des données, les analystes non techniques, les professionnels en début de carrière, etc. Notre programme structuré et notre soutien étendu garantissent que nos étudiants atteignent leur plein potentiel sans difficultés.

Veux-tu partager cet article?

Préparez-vous à une carrière d'avenir

Postuler pour un Master of Science en Data Science - LJMU & IIIT Bangalore