目录

clustermap

主要参数

参考实现

---

clustermap

sns.clustermap是Seaborn库中用于创建聚类热图的函数，该函数能够将数据集中的样本按照相似性进行聚类，并将聚类结果以矩阵的形式展示出来。

sns.clustermap主要用于绘制聚类热图，该热图通过颜色深浅来表示数据值的大小或类别，从而直观地展示数据间的相似性和差异性。在聚类热图中，每个样本被表示为一个方块，方块的颜色表示样本的特征值，方块的位置表示样本的聚类结果。

使用sns.clustermap需要注意数据集的大小和复杂性，因为聚类分析可能需要较长的计算时间。可以根据需要对聚类热图进行进一步的自定义，如设置颜色映射、调整标签等。sns.clustermap函数返回的是一个ClusterGrid对象，该对象包含了热图和聚类树等组件，可以通过该对象进行进一步的自定义和修改。

主要参数

• data：输入的数据集，可以是Pandas DataFrame或NumPy数组。
• row_cluster：布尔值，控制是否对行进行聚类。默认为True。
• col_cluster：布尔值，控制是否对列进行聚类。默认为True。
• metric：字符串或可调用对象，指定聚类时使用的距离度量方法。默认为'euclidean'。
• method：字符串，指定聚类时使用的算法。默认为'average'。
• standard_scale：布尔值或整数，控制是否对数据进行标准化处理。如果为True，则按行进行标准化；如果为整数n，则按前n个主成分进行标准化。默认为None，不进行标准化处理。
• z_score：整数或布尔值，控制是否按行列计算z分数进行标准化。如果为整数n，则按前n个主成分进行z分数标准化；如果为True，则对整个数据集进行z分数标准化。默认为None，不进行z分数标准化处理。
• cmap：字符串或Colormap对象，指定热图使用的颜色映射方案。默认为Seaborn的默认颜色映射方案。
   

参考实现

使用行和列聚类

# 加载iris数据集
iris = sns.load_dataset("iris")
# 将species列从iris数据集中弹出，并赋值给species变量
species = iris.pop("species")
# 使用seaborn库中的clustermap函数，对iris数据集进行聚类分析
sns.clustermap(iris)

更改图片的大小和布局：

sns.clustermap(iris,figsize=(7, 5),row_cluster=False,dendrogram_ratio=(.1, .2),cbar_pos=(0, .2, .03, .4)
)

为数据添加彩色标签

# 创建一个字典，将species中的唯一值映射到"rbg"中的颜色
lut = dict(zip(species.unique(), "rbg"))
# 将species中的值映射到lut中的颜色
row_colors = species.map(lut)
# 使用seaborn的clustermap函数绘制聚类图，并将species的颜色映射到行颜色
sns.clustermap(iris, row_colors=row_colors)

 

使用不同的颜色映射

# 使用seaborn库中的clustermap函数绘制聚类热图
# iris为数据集，cmap为颜色映射，vmin和vmax为颜色映射的最小值和最大值
sns.clustermap(iris, cmap="mako", vmin=0, vmax=10)

 

使用不同的聚类参数 

# 使用seaborn库中的clustermap函数，对iris数据集进行聚类分析
# metric参数指定聚类时使用的距离度量方式，这里使用相关系数
# method参数指定聚类时使用的聚类方法，这里使用单链接法
sns.clustermap(iris, metric="correlation", method="single")

按照标准化的数据绘图

# 使用seaborn库中的clustermap函数对iris数据集进行聚类分析，并将标准化后的数据绘制成热图
sns.clustermap(iris, standard_scale=1)

以0为均值进行规范化

# 使用seaborn库中的clustermap函数绘制聚类热图
# iris为数据集，z_score为0表示不进行标准化，cmap为"vlag"表示使用vlag颜色映射，center为0表示将数据集中的数值中心化
sns.clustermap(iris, z_score=0, cmap="vlag", center=0)