sns.heatmap(data, ax=ax)设置colorbar刻度

时间: 2025-01-31 16:26:37 浏览: 41

调整 Seaborn 热力图中 Colorbar 的刻度

为了调整 seabornsns.heatmap 函数绘制的热力图里 colorbar 的刻度,可以利用 Matplotlib 提供的功能来进一步定制化图表。具体来说,在创建完热力图之后获取其对应的 figure 对象并操作其中的颜色条。

下面是一个具体的例子展示如何设置 colorbar 刻度:

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from numpy import arange

data = pd.DataFrame({
    'A': [0.1, 0.2],
    'B': [0.3, 0.4]
})

h = sns.heatmap(
    data=data,
    cmap='YlGnBu',
    cbar=False,  # 关闭默认颜色条以便后续自定义
    annot=True,
    vmin=0,
    vmax=1
)

# 创建新的颜色条,并指定位置和尺寸
cb = h.figure.colorbar(h.collections[0], ticks=arange(0, 1.1, 0.1)) 

# 设置colorbar刻度字体大小
cb.ax.tick_params(labelsize=10)  

# 设置colorbar标签名称
cb.set_label('Color Intensity')

plt.show()

在这个实例中,通过传递给 figure.colorbar() 方法一个带有特定 tick 参数的对象来自定义 colorbar 上显示的具体数值范围[^1]。这里使用了 NumPy 库中的 arange 函数生成一系列从 0 至 1 步长为 0.1 的浮点数作为刻度值。

阅读全文
向AI提问 loading 发送消息图标

相关推荐

import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False import seaborn as sns from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.preprocessing import StandardScaler from sklearn.feature_selection import SelectKBest, f_classif from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, classification_report, roc_curve, auc, confusion_matrix import statsmodels.api as sm from sklearn.metrics import precision_score, roc_curve plt.style.use('ggplot') # 读取数据 file_path = r'C:\Users\29930\Desktop\插补数据.csv' data = pd.read_csv(file_path,encoding='GBK') data['性别'] = data['性别'].map({'男': 0, '女': 1}) # 编码性别列 arr = data.to_numpy() # 转换为NumPy数组 # 查看前几行数据 print(data.head()) # 检查是否有缺失值 print(data.isnull().sum()) # 填充缺失值(如果有的话) data.ffill(inplace=True) # 分离特征和目标变量 X = data.drop(columns=['慢阻肺']) # 假设第一列为COPD标签 y = data['慢阻肺'].map({'否': 0, '是': 1}) # 关键修改 # 标准化数值型特征 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 将标准化后的数据转回DataFrame格式以便后续操作 X_scaled_df = pd.DataFrame(X_scaled, columns=X.columns) # 使用SelectKBest进行单变量选择 selector = SelectKBest(score_func=f_classif, k='all') # 先全部选出来查看得分情况 fit = selector.fit(X_scaled_df, y) # 打印每个特征的重要性评分 feature_scores = pd.DataFrame(list(zip(X_scaled_df.columns, fit.scores_)), columns=['Feature','Score']) feature_scores.sort_values(by='Score', ascending=False, inplace=True) print(feature_scores) # 绘制特征重要性图 plt.figure(figsize=(10, 6)) sns.barplot(x="Score", y="Feature", data=feature_scores) plt.title('特征重要性评分') plt.xlabel('ANOVA F值') plt.ylabel('特征名称') plt.show() # 选择最重要的几个特征 selected_features = feature_scores[feature_scores.Score >= feature_scores.Score.quantile(0.75)].Feature.tolist() # 选取前75%分位数以上的特征 X_selected = X_scaled_df[selected_features] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_selected, y, test_size=0.2, random_state=42) # 定义逻辑回归模型 logreg = LogisticRegression(solver='liblinear') # 超参数调优 - 这里我们只对正则化强度C做网格搜索 param_grid = {'C': [0.01, 0.1, 1, 10, 100]} grid_search = GridSearchCV(logreg, param_grid, cv=5, scoring='accuracy') grid_search.fit(X_train, y_train) # 输出最佳参数组合及对应的成绩 best_logreg = grid_search.best_estimator_ print("Best parameters:", grid_search.best_params_) print("Best CV Score:", grid_search.best_score_) # 在测试集上应用最优模型 y_pred = best_logreg.predict(X_test) # 计算性能指标 acc = accuracy_score(y_test, y_pred) report = classification_report(y_test, y_pred) conf_mat = confusion_matrix(y_test, y_pred) print(f"Accuracy: {acc:.4f}") print(report) # 绘制混淆矩阵热力图 plt.figure(figsize=(8, 6)) sns.heatmap(conf_mat, annot=True, fmt='d', cmap='Blues') plt.title('分类结果混淆矩阵') plt.xlabel('预测类别') plt.ylabel('真实类别') plt.show() # ROC曲线 fpr, tpr, _ = roc_curve(y_test, best_logreg.decision_function(X_test)) roc_auc = auc(fpr, tpr) plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC Curve (area = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC曲线(AUC = %0.2f)' % roc_auc) plt.legend(loc="lower right") plt.show() # 添加常数项 X_const = sm.add_constant(X_selected) # 构建OLS线性回归模型(用于展示线性关系) model = sm.Logit(y, X_const).fit() print(model.summary()) # 获取最终模型方程 coefs = list(best_logreg.coef_[0]) + [best_logreg.intercept_[0]] features_with_intercept = ['const'] + selected_features formula_parts = [] for coef, feat in zip(coefs, features_with_intercept): formula_parts.append(f"{coef:+.4f}*{feat}") final_formula = " + ".join(formula_parts) print("\nFinal Early Screening Formula:") print(final_formula.replace('+', ' + ').replace('-', ' - '))将特征重要性图,混淆矩阵热力图,和ROC曲线画的更精美

最新推荐

recommend-type

基于ARM架构服务器部署docker-compose

基于arm64版本的docker-compose文件
recommend-type

iOS开发中的HTTP请求方法演示

在iOS开发中,进行HTTP请求以从服务器获取数据是常见的任务。在本知识点梳理中,我们将详细探讨如何利用HTTP向服务器请求数据,涵盖同步GET请求、同步POST请求、异步GET请求以及异步POST请求,并将通过示例代码来加深理解。 ### 同步GET请求 同步GET请求是指客户端在发起请求后将阻塞当前线程直到服务器响应返回,期间用户界面无法进行交互。这种做法不推荐在主线程中使用,因为会造成UI卡顿。下面是一个使用`URLSession`进行同步GET请求的示例代码。 ```swift import Foundation func syncGETRequest() { guard let url = URL(string: "http://www.example.com/api/data") else { return } var request = URLRequest(url: url) request.httpMethod = "GET" let task = URLSession.shared.dataTask(with: request) { data, response, error in if let error = error { print("Error: \(error)") return } if let httpResponse = response as? HTTPURLResponse, (200...299).contains(httpResponse.statusCode) { guard let mimeType = httpResponse.mimeType, mimeType == "application/json" else { print("Invalid content-type") return } guard let data = data else { print("No data") return } do { let json = try JSONSerialization.jsonObject(with: data, options: []) print("Data received: \(json)") } catch { print("JSONSerialization failed: \(error)") } } else { print("HTTP Error: \(response?.description ?? "No response")") } } task.resume() } // 调用函数 syncGETRequest() ``` ### 同步POST请求 同步POST请求与GET类似,但是在请求方法、请求体以及可能的参数设置上有所不同。下面是一个同步POST请求的示例代码。 ```swift import Foundation func syncPOSTRequest() { guard let url = URL(string: "http://www.example.com/api/data") else { return } var request = URLRequest(url: url) request.httpMethod = "POST" let postData = "key1=value1&key2=value2" request.httpBody = postData.data(using: .utf8) let task = URLSession.shared.dataTask(with: request) { data, response, error in // 同GET请求处理方式类似... } task.resume() } // 调用函数 syncPOSTRequest() ``` ### 异步GET请求 异步请求不会阻塞主线程,因此可以提升用户体验。在iOS开发中,可以使用`URLSession`来发起异步请求。 ```swift import Foundation func asyncGETRequest() { guard let url = URL(string: "http://www.example.com/api/data") else { return } var request = URLRequest(url: url) request.httpMethod = "GET" URLSession.shared.dataTask(with: request) { data, response, error in // 同步GET请求处理方式类似... }.resume() } // 调用函数 asyncGETRequest() ``` ### 异步POST请求 异步POST请求的代码结构与GET请求类似,区别主要在于HTTP方法和请求体的设置。 ```swift import Foundation func asyncPOSTRequest() { guard let url = URL(string: "http://www.example.com/api/data") else { return } var request = URLRequest(url: url) request.httpMethod = "POST" let postData = "key1=value1&key2=value2" request.httpBody = postData.data(using: .utf8) URLSession.shared.dataTask(with: request) { data, response, error in // 同步GET请求处理方式类似... }.resume() } // 调用函数 asyncPOSTRequest() ``` ### 注意事项 - **网络权限**:在实际项目中,需要在`Info.plist`中添加相应的网络权限。 - **错误处理**:示例代码中展示了基本的错误处理流程,但在实际开发中应详细处理各种可能的网络错误。 - **线程安全**:如果在主线程之外的线程更新UI,需要确保线程安全。 - **请求超时**:在网络请求中设置合理的超时时间以避免长时间无响应。 - **状态码处理**:服务器响应的状态码需要适当处理,如200表示成功,4xx表示客户端错误,5xx表示服务器端错误。 ### 结语 通过上述示例代码,新手开发者可以快速理解如何在iOS项目中使用HTTP请求与服务器进行数据交互。无论是同步还是异步请求,重要的是要根据实际应用场景合理选择请求方式,并严格遵循最佳实践,确保应用的性能和用户体验。
recommend-type

【精准测试】:确保分层数据流图准确性的完整测试方法

# 摘要 分层数据流图(DFD)作为软件工程中描述系统功能和数据流动的重要工具,其测试方法论的完善是确保系统稳定性的关键。本文系统性地介绍了分层DFD的基础知识、测试策略与实践、自动化与优化方法,以及实际案例分析。文章详细阐述了测试的理论基础,包括定义、目的、分类和方法,并深入探讨了静态与动态测试方法以及测试用
recommend-type

错误: 找不到或无法加载主类 org.springblade.Application 原因: java.lang.ClassNotFoundException: org.springblade.Application

<think>好的,我现在需要帮助用户解决Java程序中出现的ClassNotFoundException,特别是关于org.springblade.Application类的找不到的问题。用户提到这是SpringBoot的主类未找到的情况。首先,我需要回忆一下这个异常的常见原因和解决方法。 根据之前的引用内容,ClassNotFoundException通常与依赖配置或类路径有关。例如,引用[2]指出这可能是因为依赖配置不正确或类路径设置问题,而引用[3]提到版本不统一也可能导致此类问题。此外,主类未找到还可能是因为打包配置不正确,比如在Maven或Gradle中没有正确指定主类,或者在构
recommend-type

个人作品集展示:HTML文件夹压缩处理

根据给定的文件信息,我们可以推断出以下IT知识内容。 ### 知识点一:HTML文件夹的作用与结构 HTML文件夹通常用于存放网站的所有相关文件,包括HTML文件、CSS样式表、JavaScript脚本、图像文件以及其他资源文件。这个文件夹的结构应该清晰且有组织,以便于开发和维护。HTML文件是网页内容的骨架,它通过标签(Tag)来定义内容的布局和结构。 #### HTML标签的基本概念 HTML标签是构成网页的基石,它们是一些用尖括号包围的词,如`<html>`, `<head>`, `<title>`, `<body>`等。这些标签告诉浏览器如何显示网页上的信息。例如,`<img>`标签用于嵌入图像,而`<a>`标签用于创建超链接。HTML5是最新版本的HTML,它引入了更多的语义化标签,比如`<article>`, `<section>`, `<nav>`, `<header>`, `<footer>`等,这有助于提供更丰富的网页结构信息。 #### 知识点二:使用HTML构建投资组合(portfolio) “portfolio”一词在IT行业中常常指的是个人或公司的作品集。这通常包括了一个人或组织在特定领域的工作样本和成就展示。使用HTML创建“portfolio”通常会涉及到以下几个方面: - 设计布局:决定页面的结构,如导航栏、内容区域、页脚等。 - 网页内容的填充:使用HTML标签编写内容,可能包括文本、图片、视频和链接。 - 网站响应式设计:确保网站在不同设备上都能有良好的浏览体验,这可能涉及到使用CSS媒体查询和弹性布局。 - CSS样式的应用:为HTML元素添加样式,使网页看起来更加美观。 - JavaScript交互:添加动态功能,如图片画廊、滑动效果或导航菜单。 #### 知识点三:GitHub Pages与网站托管 标题中出现的"gh-pages"表明涉及的是GitHub Pages。GitHub Pages是GitHub提供的一个静态网站托管服务。用户可以使用GitHub Pages托管他们的个人、组织或者项目的页面。它允许用户直接从GitHub仓库部署和发布网站。 #### 知识点四:项目命名与管理 在压缩包子文件的文件名称列表中,出现了"portfolio-gh-pages",这说明项目有一个特定的命名规范。文件夹或项目名称应该简洁明了,能够反映项目内容或者用途。在IT项目管理中,良好的命名习惯有助于团队成员更快地理解项目的性质,同时也方便版本控制和代码维护。 #### 总结 在信息技术领域,使用HTML构建一个投资组合网站是一个常见的任务。它不仅可以展示个人或公司的技能和作品,还可以作为与潜在客户或雇主交流的平台。理解HTML标签的使用、网页设计的基本原则、响应式设计以及网站托管服务,对于制作一个专业且吸引人的投资组合至关重要。此外,良好的项目命名和文件管理习惯也是IT专业人士应该具备的基本技能之一。
recommend-type

【版本控制】:分层数据流图的高效维护与变更管理

# 摘要 本文系统地探讨了版本控制和分层数据流图设计的重要性和应用实践。第一章强调版本控制的基础知识和其在软件开发生命周期中的关键作用。第二章详细介绍了分层数据流图的设计原理,包括基本概念、设计方法和表示技巧,以及如何通过这些图解高效地管理和沟通软件设计。第三章探讨了版本控制系统的选择与配置,比较了不同类型系统的特点,并提供了配置主流系统的实际案例。第四章重点讨论分层数据流图的变更管理流程,阐述
recommend-type

如何用tiff获取等温线,在qgis中,我的qgis是英文版的

要在英文版 QGIS 中通过 TIFF 文件生成等温线,可以按以下步骤操作: ### Step 1: Load the TIFF Data 1. Open QGIS and click on **Layer** > **Add Layer** > **Add Raster Layer**. 2. In the dialog box that appears, browse for your TIFF file, then click **Open** to load it into QGIS. ### Step 2: Examine Value Range 1. Right-click o
recommend-type

新增临界天数与利率表显示的定期存款利息计算器

标题中提到的“定期存款转存利息计算器1.4”表明这是一个关于银行定期存款利息计算的软件版本更新。在理财投资领域,定期存款是一种常见的金融工具,用户将钱存入银行并约定一段时间后取款,期间银行会根据约定的利率支付利息。然而,定期存款的利息通常不是一次性支付,而是在存款期满时一次性计算并加入本金,这种机制称为复利。用户在存款到期后,可能希望继续转存,这就需要对利息进行再投资的计算。 描述中提到,新版本1.4在1.0的基础上进行了功能强化,新增了两个重要功能: 1. “临界天数查询”功能:这可能是指用户可以查询特定存款期限在不同利率下能够获得收益的临界天数。例如,在一年期存款到期前多少天转存,可以确保存款到期后获得的利息不减少或有所增加。对于银行理财产品的投资决策来说,了解这一点是十分重要的。 2. “利率表显示”功能:用户可以查看和比较不同存款期限或不同条件下的利率,这有助于用户根据自己的需要和市场利率的变化,做出更为合理的资金安排和投资决策。 另外,描述中提到即使没有找到外部的“利率表文件”,软件也不会死机,这表明软件的容错性有所增强。这也说明1.4版本在用户体验和稳定性上做了改进,提高了软件的健壮性和用户的满意度。 在标签中,提及了“mscomct2.oxc”这一组件。这是一个ActiveX控件,用于在Windows平台上提供更丰富的用户界面元素,尤其是用于旧版的Visual Basic或Visual C++应用程序。这暗示该软件可能是一个较老的Windows应用程序,需要用户安装这个组件以便正常运行。 文件名称列表中的“定期存款转存利息计算器1.4.exe”是该软件的可执行文件,用户通过运行这个文件来启动计算器软件。而“intr.txt”可能是软件的使用说明文档,提供软件的安装指导和操作说明。由于文件名后缀为.txt,这表明它是一个文本文件。 综合以上信息,我们可以得知,这个版本的“定期存款转存利息计算器”在功能上有所提升,增加了一些用户便捷性和容错性的设计。对于希望管理自己定期存款并从中获取最大收益的用户来说,这样的工具无疑是非常有帮助的。需要注意的是,由于软件可能是较老版本的Windows应用程序,用户在使用前可能需要确保系统兼容性,并安装必要的组件。此外,定期存款产品的选择应当基于个人的财务规划和风险偏好,计算工具仅能提供参考数据,并不能代替个人对金融市场的判断和专业财经顾问的建议。
recommend-type

【敏捷适配】:在敏捷开发中维持分层数据流图的有效性

# 摘要 敏捷开发与分层数据流图(DFD)的融合是当前软件工程领域关注的热点。本文首先概述了敏捷适配与DFD的基本概念,然后探讨了敏捷开发的核心原则与DFD的理论模型,以及在敏捷环境中DFD的适应性。本文接着分析了维护DFD的实践策略,包括工具和方法的使用、与敏捷迭代过程的结合,以及跨团队协作的机制。通过案例研究,本文提供了DFD
recommend-type

请对程序中的代码进行注释

### 如何在不同编程语言中为代码添加注释的最佳实践 #### 单行注释 大多数现代编程语言支持通过特定符号来标记单行注释。例如,在C风格的语言(如Java、JavaScript、C++)中,`//`用于表示单行注释[^1]。 ```java int a = 5; // 这是一个整数变量声明 ``` Python 使用 `#` 来定义单行注释: ```python a = 5 # 这是一个整数变量声明 ``` #### 多行注释 对于多行注释,许多语言提供了专门的语法。例如,在 C 风格语言中可以使用 `/* */` 将一段文本包裹起来形成多行注释[^2]。 ```c++ /*