python计算特征之间的Pearson系数，即相似度，绘制热力图

要计算特征之间的Pearson系数，可以使用Pandas库中的corr()函数。该函数可以计算DataFrame中各列之间的相关系数，默认使用Pearson相关系数。

例如，假设有一个名为df的DataFrame，包含多个特征列，可以使用以下代码计算各特征之间的Pearson系数：

import pandas as pd

# 假设df为一个DataFrame，包含多个特征列
corr_matrix = df.corr()
print(corr_matrix)

输出结果为一个相关系数矩阵，即各特征之间的Pearson系数。可以使用Matplotlib库中的imshow()函数绘制该相关系数矩阵的热力图，代码如下：

import matplotlib.pyplot as plt

# 绘制相关系数矩阵的热力图
plt.imshow(corr_matrix, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.show()

其中，cmap参数指定了热力图的颜色映射，interpolation参数指定了颜色的插值方式。plt.colorbar()函数用于添加颜色条。

需要注意的是，相关系数矩阵是一个对称矩阵，即corr_matrix[i][j]等于corr_matrix[j][i]。因此，在绘制热力图时，通常只需要绘制矩阵的一半，或将两半叠加在一起。可以使用Numpy库中的triu()函数来获取上三角矩阵，代码如下：

import numpy as np

# 获取相关系数矩阵的上三角矩阵
corr_matrix_upper = np.triu(corr_matrix)

# 绘制相关系数矩阵的热力图
plt.imshow(corr_matrix_upper, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.show()

这样绘制出来的热力图就只包含了相关系数矩阵的上三角部分。