Calcolo e visualizzazione della matrice di correlazione con i panda

Ho un frame di dati Panda con diverse voci e voglio calcolare la correlazione tra le entrate di un tipo di negozi. Esistono numerosi negozi con dati sul reddito, classificazione dell'area di attività (teatro, negozi di vestiti, cibo ...) e altri dati.

Ho provato a creare un nuovo frame di dati e inserire una colonna con le entrate di tutti i tipi di negozi che appartengono alla stessa categoria, e il frame di dati di ritorno ha solo la prima colonna riempita e il resto è pieno di NaN. Il codice che mi sono stancato:

corr = pd.DataFrame()
for at in activity:
    stores.loc[stores['Activity']==at]['income']

Voglio farlo, quindi posso usare .corr()per dare la matrice di correlazione tra la categoria di negozi.

Successivamente, vorrei sapere come posso tracciare i valori della matrice (da -1 a 1, poiché voglio usare la correlazione di Pearson) con matplolib.

Suggerisco una sorta di gioco su quanto segue:

Utilizzo dei dati Ubal Abalone per questo esempio ...

import matplotlib
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# Read file into a Pandas dataframe
from pandas import DataFrame, read_csv
f = 'https://archive.ics.uci.edu/ml/machine-learning-databases/abalone/abalone.data'
df = read_csv(f)
df=df[0:10]
df

Funzione di tracciamento matrice di correlazione:

# Funzione di tracciamento matric di correlazione

def correlation_matrix(df):
    from matplotlib import pyplot as plt
    from matplotlib import cm as cm

    fig = plt.figure()
    ax1 = fig.add_subplot(111)
    cmap = cm.get_cmap('jet', 30)
    cax = ax1.imshow(df.corr(), interpolation="nearest", cmap=cmap)
    ax1.grid(True)
    plt.title('Abalone Feature Correlation')
    labels=['Sex','Length','Diam','Height','Whole','Shucked','Viscera','Shell','Rings',]
    ax1.set_xticklabels(labels,fontsize=6)
    ax1.set_yticklabels(labels,fontsize=6)
    # Add colorbar, make sure to specify tick locations to match desired ticklabels
    fig.colorbar(cax, ticks=[.75,.8,.85,.90,.95,1])
    plt.show()

correlation_matrix(df)

Spero che sia di aiuto!

Un'altra alternativa è utilizzare la funzione Heatmap in Seaborn per tracciare la covarianza. Questo esempio usa il set di dati Auto dal pacchetto ISLR in R (lo stesso dell'esempio che hai mostrato).

import pandas.rpy.common as com
import seaborn as sns
%matplotlib inline

# load the R package ISLR
infert = com.importr("ISLR")

# load the Auto dataset
auto_df = com.load_data('Auto')

# calculate the correlation matrix
corr = auto_df.corr()

# plot the heatmap
sns.heatmap(corr, 
        xticklabels=corr.columns,
        yticklabels=corr.columns)

Se vuoi essere ancora più fantasioso, puoi usare lo stile Pandas , ad esempio:

cmap = cmap=sns.diverging_palette(5, 250, as_cmap=True)

def magnify():
    return [dict(selector="th",
                 props=[("font-size", "7pt")]),
            dict(selector="td",
                 props=[('padding', "0em 0em")]),
            dict(selector="th:hover",
                 props=[("font-size", "12pt")]),
            dict(selector="tr:hover td:hover",
                 props=[('max-width', '200px'),
                        ('font-size', '12pt')])
]

corr.style.background_gradient(cmap, axis=1)\
    .set_properties(**{'max-width': '80px', 'font-size': '10pt'})\
    .set_caption("Hover to magify")\
    .set_precision(2)\
    .set_table_styles(magnify())

Perché non farlo semplicemente:

import seaborn as sns
import pandas as pd

data = pd.read_csv('Dataset.csv')

plt.figure(figsize=(40,40)) 
# play with the figsize until the plot is big enough to plot all the columns
# of your dataset, or the way you desire it to look like otherwise

sns.heatmap(data.corr())

È possibile modificare la tavolozza dei colori utilizzando il cmapparametro:

sns.heatmap(data.corr(), cmap='BuGn')