关系（三）利用python绘制相关矩阵图

快速绘制

基于seaborn

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

# 利用pairplot函数绘制相关矩阵图
sns.pairplot(df)

plt.show()

基于matplotlib

import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

# 定义基本变量
COLUMNS = ["sepal_length", "sepal_width", "petal_length", "petal_width"]
COLORS = ["#386cb0", "#fdb462", "#7fc97f"]
SPECIES = ["setosa", "versicolor", "virginica"]

# 初始化布局4*4
fig, axes = plt.subplots(4, 4, figsize = (12, 8), sharex="col", tight_layout=True)

for i in range(len(COLUMNS)):
    for j in range(len(COLUMNS)):
        # 下三角添加散点图
        if i > j:
            for species, color in zip(SPECIES, COLORS):
                data = df[df["species"] == species]
                axes[i, j].scatter(COLUMNS[j], COLUMNS[i], color=color, alpha=0.5, data=data)
                
        # 对角线添加直方图
        if i == j:
            for species, color in zip(SPECIES, COLORS):
                data = df[df["species"] == species]
                axes[i, j].hist(COLUMNS[j], bins=15, alpha=0.5, data=data)
        
        # 上三角剔除边框
        if i < j:
            axes[i, j].remove()
            
plt.show()

定制多样化的相关矩阵图

自定义相关矩阵图一般是结合使用场景对相关参数进行修改，并辅以其他的绘图知识。参数信息可以通过官网进行查看，其他的绘图知识则更多来源于实战经验，大家不妨将接下来的绘图作为一种学习经验，以便于日后总结。

seaborn主要利用pairplot绘制相关矩阵图，可以通过seaborn.pairplot了解更多用法

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

# 自定义参数
sns.pairplot(df, kind="scatter",  # 散点图，不带拟合线
                 hue="species",   # 对species进行分组（不同颜色）
                 plot_kws=dict(s=80, edgecolor="white", linewidth=2.5) # 自定义绘制参数
        )
plt.show()

也可以利用PairGrid自定义更为灵活的相关矩阵图，可以通过seaborn.pairplot了解更多用法

import seaborn as sns
import matplotlib.pyplot as plt

# 导入数据
df = sns.load_dataset('iris')

g = sns.PairGrid(df, diag_sharey=False)
# 上三角散点图
g.map_upper(sns.scatterplot)
# 下三角密度图
g.map_lower(sns.kdeplot)
# 对角线密度图
g.map_diag(sns.kdeplot)

plt.show()