使用seaborn绘制热图

    科技2025-03-29  15

    欢迎关注”生信修炼手册”!

    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

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

    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

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

    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

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

    输出结果如下

    2. clustermap

    clustermap绘制带聚类数的热图,基本用法如下

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

    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

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

    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

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

    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

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

    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·

    —如果喜欢,快分享给你的朋友们吧—

    原创不易,欢迎收藏,点赞,转发!生信知识浩瀚如海,在生信学习的道路上,让我们一起并肩作战!

    本公众号深耕耘生信领域多年,具有丰富的数据分析经验,致力于提供真正有价值的数据分析服务,擅长个性化分析,欢迎有需要的老师和同学前来咨询。

      更多精彩

    KEGG数据库,除了pathway你还知道哪些

    全网最完整的circos中文教程

    DNA甲基化数据分析专题

    突变检测数据分析专题

    mRNA数据分析专题

    lncRNA数据分析专题

    circRNA数据分析专题

    miRNA数据分析专题

    单细胞转录组数据分析专题

    chip_seq数据分析专题

    Hi-C数据分析专题

    HLA数据分析专题

    TCGA肿瘤数据分析专题

    基因组组装数据分析专题

    CNV数据分析专题

    GWAS数据分析专题

    2018年推文合集

    2019年推文合集

      写在最后

    转发本文至朋友圈,后台私信截图即可加入生信交流群,和小伙伴一起学习交流。

    扫描下方二维码,关注我们,解锁更多精彩内容!

    一个只分享干货的

    生信公众号

    Processed: 0.014, SQL: 8