使用seaborn绘制热图

除了统计图表外，seaborn也可以绘制热图，而且支持聚类树的绘制，绘制热图有以下两个函数

1. heatmap, 绘制普通的热图

2. clustermap，绘制带聚类数的热图

1. heatmap

相比matplotlib的imshow功能，该函数提供了更加简洁的接口，可以轻松实现文字注释的添加等功能，基本用法如下

登录后复制

      
      

       
       >>> import numpy as np
       
       
>>> data = np.random.rand(10, 10)
       
       
>>> sns.heatmap(data)
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
       
       
3.
       
       
4.
      
      

输出结果如下

在imshow中的部分参数在该函数中也是可以使用的，比如vmin, vmax,cmap等参数。除了通用参数外，该函数有两个特色，第一就是可以方便的添加分割线，使图片更加的美观，使用linescolor和linewidth参数指定分割线的颜色和宽度，用法如下

登录后复制

      
      

       
       >>> sns.heatmap(data, linewidth=1)
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
      
      

输出结果如下

第二个特色是添加数字注释，在单元格上显示对应的数值，用法如下

登录后复制

      
      

       
       >>> sns.heatmap(data, linewidth=1, annot=True)
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
      
      

输出结果如下

2. clustermap

clustermap绘制带聚类数的热图，基本用法如下

登录后复制

      
      

       
       >>> data = np.random.rand(10,5)
       
       
>>> df = pd.DataFrame(data)
       
       
>>> df.columns = ['sampleA', 'sampleB', 'sampleC', 'sampleD', 'sampleE']
       
       
>>> sns.clustermap(df)
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
       
       
3.
       
       
4.
       
       
5.
      
      

输出结果如下

图中的聚类树是通过scipy模块中提供的距离矩阵和聚类算法实现的，通过method和metrix参数可以分别指定聚类算法和距离矩阵的算法。

对于可视化而言，我们常用的参数有以下3个，第一个standard_scale, 对数据进行标准化，比如按行进行标准化，用法如下

登录后复制

      
      

       
       >>> sns.clustermap(df, standard_scale=0)
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
      
      

输出结果如下

第二个参数为z_score, zscore也是数据标准化的一种手段，按照行列计算zscore的用法如下

登录后复制

      
      

       
       >>> sns.clustermap(df, z_score=0)
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
      
      

输出结果如下

第三个参数为row_color/col_color. 用来对行标签和列标签进行注释，用法如下

登录后复制

      
      

       
       >>> sns.clustermap(df, col_colors=['r','g','b','b','b'])
       
       
>>> plt.show()
      
      
      
      

       
       
1.
       
       
2.
      
      

输出结果如下

以上只是介绍了两个函数的基本用法和常用参数，其实具体的参数还要很多，可以通过官网的API文档来详细学习每个参数的用法。

·end·

一个只分享干货的

生信公众号