本篇使用python中seaborn.clustermap绘制聚类热图（clustermap）。
本文将了解到什么？
1、成品聚类热图（clustermap）展示
2、绘图数据集准备
3、 seaborn.clustermap绘制聚类热图（clustermap）
3.0 聚类热图函数seaborn.clustermap语法
3.1 默认参数绘图
3.2 pivot_kws：辅助选择data中某一部分数据绘图
3.3 method：聚类算法
3.4 metric：簇之间距离选择
3.5 figsize：热图的宽和高设置
3.6 cbar_kws：图例设置
3.7 row_cluster、col_cluster：行列聚类开关
3.8 row_colors: y轴方向绘制分类色条
3.9 col_colors: x轴方向绘制分类色条
3.10 cbar_pos：图例位置、宽、高设置
3.11 tree_kws：各个簇之间连线特性设置
3.12 cmap：热图填充色colormap设置
3.13 annot、annot_kws：显示文本、文本属性设置
3.14 其它参数设置
4、seaborn.clustermap所有参数详解代码
聚类热图可以简单理解为:使用距离算法将距离相近的东西成簇聚为一类。
1、成品聚类热图（clustermap）展示
image
2、绘图数据集准备
依旧使用sklearn中鸢尾花iris数据集，数据集详细介绍请戳：鸢尾花iris数据集详细介绍
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import seaborn as sns
import palettable
plt.rcParams['font.sans-serif']=['SimHei'] # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False # 用于显示中文
from sklearn import datasets
iris=datasets.load_iris()
x, y = iris.data, iris.target
pd_iris = pd.DataFrame(np.hstack((x, y.reshape(150, 1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'] )
查看数据集前五行
pd_iris.head()
image
数据集简单统计
pd_iris.describe()
image
3、 seaborn.clustermap绘制聚类热图（clustermap）
3.0 聚类热图函数seaborn.clustermap语法
seaborn.clustermap(data, pivot_kws=None, method='average', metric='euclidean', z_score=None, standard_scale=None, figsize=(10, 10), cbar_kws=None, row_cluster=True, col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, mask=None, dendrogram_ratio=0.2, colors_ratio=0.03, cbar_pos=(0.02, 0.8, 0.05, 0.18), tree_kws=None, **kwargs)
3.1 默认参数绘图
plt.figure(dpi=200)
sns.clustermap(data=pd_iris,#仅仅需传入绘图数据集
)
image
3.2 pivot_kws：辅助选择data中某一部分数据绘图
3.3 method：聚类算法
默认为为average算法，可选’single’，’complete’ ,’weighted’,’centroid’,’median’；各算法区别请参考scipy中：scipy.cluster.hierarchy.linkage
sns.clustermap(data=pd_iris,
method='average',#'average'算法
)
image
#注意观察y轴方向值的变化
sns.clustermap(data=pd_iris,
method='single',#'single'算法
)
image
sns.clustermap(data=pd_iris,
method='weighted',#'weighted'算法
)
image
3.4 metric：簇之间距离选择
默认为欧式距离euclidean，可选距离： ‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘cityblock’, ‘correlation’, ‘cosine’, ‘dice’,
‘euclidean’, ‘hamming’, ‘jaccard’, ‘jensenshannon’, ‘kulsinski’, ‘mahalanobis’, ‘matching’, ‘minkowski’,
‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’.各个距离之间区别，scipy中有详细介绍：scipy.spatial.distance.pdist
sns.clustermap(data=pd_iris,
metric='euclidean',#欧式距离'euclidean'
)
image
#注意右侧值的变化
sns.clustermap(data=pd_iris,
metric='braycurtis',#Bray-Curtis距离
)
image
3.5 figsize：热图的宽和高设置
sns.clustermap(data=pd_iris,
figsize=(5, 10),
)
image
3.6 cbar_kws：图例设置
方法类似普通heatmap，不赘述，参考： 热图图例详细设置
3.7 row_cluster、col_cluster：行列聚类开关
sns.clustermap(data=pd_iris,
row_cluster=False, #行方向不聚类
col_cluster=True, #列方向聚类
)
image
3.8 row_colors: y轴方向绘制分类色条
#左侧颜色条
row_c = dict(zip(pd_iris['class'].unique(), ['green','yellow','pink']))
sns.clustermap(data=pd_iris,
row_colors=pd_iris['class'].map(row_c), #行方向聚类用颜色区分不同类
)
image
3.9 col_colors: x轴方向绘制分类色条
image
3.10 cbar_pos：图例位置、宽、高设置
sns.clustermap(data=pd_iris,
cbar_pos=(0.02, 0.8, 0.05, 0.18), #(left, bottom, width, height)
)
image
#图例向右，向下移动
sns.clustermap(data=pd_iris,
cbar_pos=(0.12, 0.4, 0.05, 0.18),
)
image
3.11 tree_kws：各个簇之间连线特性设置
线型设置参考：python中line属性设置
sns.clustermap(data=pd_iris,
tree_kws={'linestyles':'dashed',#线型
'colors':'steelblue',#线色
'linewidths':2},#线宽
)
image
3.12 cmap：热图填充色colormap设置
colormap设置参考：python中colormap详细设置
image
3.13 annot、annot_kws：显示文本、文本属性设置
sns.clustermap(data=pd_iris,
annot=True,#默认为False，当为True时，在每个格子写入data中数据
figsize=(15, 30),#热图宽和高
annot_kws={'size':12,'weight':'normal', 'color':'red'},#设置格子中文本的大小、粗细、颜色
cmap=palettable.cartocolors.diverging.ArmyRose_7.mpl_colors,
)
sns.set(font_scale=1.5)#热图及color bar中刻度标签值字号
image
3.14 其它参数设置
普通heatmap中方法 ：heatmap关键参数详解
4、seaborn.clustermap所有参数详解代码
感兴趣可以关注公众号免费获取。
image
5、参考资料
本篇结束，下一篇介绍相关性热图。
更好的阅读体验请戳：matplotlib&seborn绘制聚类热图clustermap
欢迎微信搜索关注：pythonic生物人
网友评论