膨大な数の機能を備えたデータセットを持っているので、相関行列の分析は非常に困難になりました。dataframe.corr()pandasライブラリの関数を使用して取得した相関行列をプロットしたいと思います。この行列をプロットするためにパンダライブラリによって提供される組み込み関数はありますか？

pyplot.matshow() から使用できますmatplotlib：

import matplotlib.pyplot as plt

plt.matshow(dataframe.corr())
plt.show()

編集：

コメントには、軸目盛りラベルを変更する方法の要求がありました。これは、大きな図のサイズで描画され、データフレームと一致する軸ラベルと、カラースケールを解釈するカラーバーの凡例があるデラックスバージョンです。

ラベルのサイズと回転を調整する方法を含め、カラーバーとメインの図が同じ高さになるように図の比率を使用しています。

f = plt.figure(figsize=(19, 15))
plt.matshow(df.corr(), fignum=f.number)
plt.xticks(range(df.shape[1]), df.columns, fontsize=14, rotation=45)
plt.yticks(range(df.shape[1]), df.columns, fontsize=14)
cb = plt.colorbar()
cb.ax.tick_params(labelsize=14)
plt.title('Correlation Matrix', fontsize=16);

それ自体がプロットを作成するのではなく、相関行列を視覚化することが主な目的である場合、便利pandas なスタイルオプションは実行可能な組み込みソリューションです。

import pandas as pd
import numpy as np

rs = np.random.RandomState(0)
df = pd.DataFrame(rs.rand(10, 10))
corr = df.corr()
corr.style.background_gradient(cmap='coolwarm')
# 'RdBu_r' & 'BrBG' are other good diverging colormaps

これは、JupyterLab Notebookなど、HTMLのレンダリングをサポートするバックエンドに存在する必要があることに注意してください。（暗い背景の自動の明るいテキストは既存のPRからのものであり、最新のリリースバージョンpandas0.23ではありません）。

スタイリング

桁の精度を簡単に制限できます。

corr.style.background_gradient(cmap='coolwarm').set_precision(2)

または、注釈なしのマトリックスが望ましい場合は、数字を完全に削除します。

corr.style.background_gradient(cmap='coolwarm').set_properties(**{'font-size': '0pt'})

スタイリングドキュメントには、マウスポインタが置かれているセルの表示を変更する方法など、より高度なスタイルの指示も含まれています。出力を保存するには、render()メソッドを追加してHTMLを返し、それをファイルに書き込みます（または、あまり正式でない目的のためにスクリーンショットを撮ります）。

時間比較

私のテストでstyle.background_gradient()は、10x10マトリックスの4倍、10x10マトリックスのplt.matshow()120 倍高速sns.heatmap()でした。残念ながら、それだけではスケーリングできませんplt.matshow()。2つplt.matshow()は100x100マトリックスの場合はほぼ同じ時間がかかり、1000x1000マトリックスの場合は10倍高速です。

保存中

様式化されたデータフレームを保存する方法はいくつかあります。

• render()メソッドを追加してHTMLを返し、出力をファイルに書き込みます。
• メソッドを.xslx追加して、条件付きフォーマットでファイルとして保存しますto_excel()。
• imgkitと組み合わせてビットマップを保存する
• スクリーンショットを撮ります（あまり正式な目的ではありません）。

パンダの更新> = 0.24

を設定することによりaxis=None、列ごとまたは行ごとではなく、マトリックス全体に基づいて色を計算できるようになりました。

corr.style.background_gradient(cmap='coolwarm', axis=None)

相関行列の変数名も表示する次の関数を試してください。

def plot_corr(df,size=10):
    '''Function plots a graphical correlation matrix for each pair of columns in the dataframe.

    Input:
        df: pandas DataFrame
        size: vertical and horizontal size of the plot'''

    corr = df.corr()
    fig, ax = plt.subplots(figsize=(size, size))
    ax.matshow(corr)
    plt.xticks(range(len(corr.columns)), corr.columns);
    plt.yticks(range(len(corr.columns)), corr.columns);

シーボーンのヒートマップバージョン：

import seaborn as sns
corr = dataframe.corr()
sns.heatmap(corr, 
            xticklabels=corr.columns.values,
            yticklabels=corr.columns.values)

シーボーンからヒートマップを描画するか、パンダから散布行列を描画することにより、フィーチャ間の関係を観察できます。

散布図：

pd.scatter_matrix(dataframe, alpha = 0.3, figsize = (14,8), diagonal = 'kde');

各特徴の歪度も視覚化したい場合は、海のペアプロットを使用してください。

sns.pairplot(dataframe)

Snsヒートマップ：

import seaborn as sns

f, ax = pl.subplots(figsize=(10, 8))
corr = dataframe.corr()
sns.heatmap(corr, mask=np.zeros_like(corr, dtype=np.bool), cmap=sns.diverging_palette(220, 10, as_cmap=True),
            square=True, ax=ax)

出力は、機能の相関マップになります。つまり、以下の例を参照してください。

食料品と洗剤の相関は高いです。同様に：

1. 食料品と洗剤。

1. 牛乳と食料品
2. 牛乳と洗剤_紙

1. 牛乳とデリ
2. 冷凍で新鮮。
3. 冷凍とデリ。

ペアプロットから：ペアプロットまたは散布行列から同じ関係のセットを観察できます。しかし、これらから、データが正常に配布されているかどうかがわかります。

注：上記は、ヒートマップの描画に使用されるデータから取得した同じグラフです。

あなたはmatplotlibからimshow（）メソッドを使うことができます

import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('ggplot')

plt.imshow(X.corr(), cmap=plt.cm.Reds, interpolation='nearest')
plt.colorbar()
tick_marks = [i for i in range(len(X.columns))]
plt.xticks(tick_marks, X.columns, rotation='vertical')
plt.yticks(tick_marks, X.columns)
plt.show()

あなたがデータフレームであるならば、あなたdfは単に使うことができます：

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(15, 10))
sns.heatmap(df.corr(), annot=True)

statmodelsグラフィックスは、相関行列の見栄えも良くします

import statsmodels.api as sm
import matplotlib.pyplot as plt

corr = dataframe.corr()
sm.graphics.plot_corr(corr, xnames=list(corr.columns))
plt.show()

完全を期すために、最も簡単な解決策は、私が知っているseaborn 1が使用している場合は、後半に2019のようJupyterを：

import seaborn as sns
sns.heatmap(dataframe.corr())

他の方法と一緒に、すべての場合の散布図を与えるpairplotを持つことも良いです-

import pandas as pd
import numpy as np
import seaborn as sns
rs = np.random.RandomState(0)
df = pd.DataFrame(rs.rand(10, 10))
sns.pairplot(df)

相関行列を形成します。私の場合、zdfは相関行列を実行する必要があるデータフレームです。

corrMatrix =zdf.corr()
corrMatrix.to_csv('sm_zscaled_correlation_matrix.csv');
html = corrMatrix.style.background_gradient(cmap='RdBu').set_precision(2).render()

# Writing the output to a html file.
with open('test.html', 'w') as f:
   print('<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><meta name="viewport" content="width=device-widthinitial-scale=1.0"><title>Document</title></head><style>table{word-break: break-all;}</style><body>' + html+'</body></html>', file=f)

次に、スクリーンショットを撮ります。または、htmlを画像ファイルに変換します。