Heatmap et clustermap

array([[ 0,  2,  4,  6,  8, 10],
       [ 0,  3,  6,  9, 12, 15],
       [ 0,  4,  8, 12, 16, 20],
       [ 0,  5, 10, 15, 20, 25],
       [ 0,  6, 12, 18, 24, 30],
       [ 0,  7, 14, 21, 28, 35]])
  

ar = numpy.array([0, 1, 2, 3, 4, 5]) mat = numpy.dot(ar.reshape(1, 6).T + 2, ar.reshape(1, 6)) df = pandas.DataFrame(mat, columns = ['A', 'B', 'C', 'D', 'E', 'F'], index = ['a', 'b', 'c', 'd', 'e', 'f']) seaborn.heatmap(df, annot = True, cbar = True, cmap = 'plasma') pyplot.tight_layout()

• on peut utiliser une matrice, ou un dataframe. Si on utilise un dataframe, les noms des colonnes et des lignes sont utilisés dans la représentation.
• vmin et vmax : valeurs minimales et maximales pour l'échelle de couleur (sinon, c'est le min et le max des données qui sont utilisés).
• center : la valeur à laquelle la color map doit être centrée pour des données divergentes.
• cmap : color map de matplotlib ou aussi une liste de couleurs à utiliser.
• annot = True : indique dans chaque cellule la valeur.
• cbar = True : affiche une barre montrant la gamme de couleurs.

ar = numpy.array([[5, 4, 5, 6, 5], [6, 3, 4, 5, 1], [1, 6, 4, 2, 7], [4, 1, 2, 3, 0], [2, 7, 5, 3, 8]]) df = pandas.DataFrame(ar, columns = ['A', 'B', 'C', 'D', 'E'], index = ['a', 'b', 'c', 'd', 'e']) seaborn.clustermap(df, cmap = 'viridis', method = 'ward')

• method = 'single' : méthode pour l'aggrégation (single, complete, average, ward, centroid, ...)
• metric = 'euclidean' : distance à utiliser (euclidean, cosine, correlation, canberra, cityblock, hamming, jaccard, mahalanobis, minkowski, ...).
• z_score = 0 : calcule un z-score par ligne avant de faire le clustering (z_score = 1 pour le faire par colonne).
• standard_scale = 0 : même principe qu'avec le paramètre z_score, mais en normalisant par (x - min) / (max - min)
• row_cluster = False : ne fait pas de clustering des lignes (défaut est True)
• col_cluster = False : ne fait pas de clustering des colonnes (défaut est True)