使用Python绘制相关矩阵

相关性意味着关联，它是衡量两个变量相关程度的度量。

1.正相关：当两个变量一起增加和一起减少时。它们呈正相关。 “1”是完美的正相关。例如 - 需求和利润正相关，对产品的需求越多，利润就越大，因此正相关。

2. 负相关：当一个变量增加而另一个变量一起减少时，反之亦然。它们呈负相关。例如，如果磁铁之间的距离增加，它们的吸引力就会减小，反之亦然。因此，负相关。 '-1' 没有相关性

3. 零相关（No Correlation）：当两个变量似乎根本没有联系时。 “0”是完美的负相关。例如，你喝的茶量和智力水平。

使用Python绘制相关矩阵

第 1 步：导入库。

Python3

import sklearn
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

第 2 步：找出两个变量之间的相关性。

蟒蛇3

y = pd.Series([1, 2, 3, 4, 3, 5, 4])
x = pd.Series([1, 2, 3, 4, 5, 6, 7])
correlation = y.corr(x)
correlation 

输出：

第 3 步：绘制图形。这里我们使用散点图。散点图是一种图表，其中数据集中的每个值都由一个点表示。此外，它还显示了两个变量之间的关系。

蟒蛇3

# plotting the data
plt.scatter(x, y)
  
# This will fit the best line into the graph
plt.plot(np.unique(x), np.poly1d(np.polyfit(x, y, 1))
         (np.unique(x)), color='red')

输出：

记住上面解释的要点。观察两个图像你会发现相似性另外，观察相关值接近1，因此反映了正相关。

在图表中添加标题和标签

蟒蛇3

# adds the title
plt.title('Correlation')
  
# plot the data
plt.scatter(x, y)
  
# fits the best fitting line to the data
plt.plot(np.unique(x), 
         np.poly1d(np.polyfit(x, y, 1))
         (np.unique(x)), color='red')
  
# Labelling axes
plt.xlabel('x axis')
plt.ylabel('y axis')

输出：

使用热图绘图

有很多方法可以绘制相关矩阵，一种有效的方法是使用热图。使用以下方法很容易理解相关性 热图它告诉一个特征（变量）与所有其他特征（变量）的相关性。换句话说，相关矩阵是一个表格数据，表示给定数据中变量对之间的“相关性”。

蟒蛇3

import seaborn as sns
  
# checking correlation using heatmap
#Loading dataset
flights = sns.load_dataset("flights")
  
#ploting the heatmap for correlation
ax = sns.heatmap(flights.corr(), annot=True)

输出：