statsmodels.graphics.correlation.plot_corr_grid¶

statsmodels.graphics.correlation.plot_corr_grid(dcorrs, titles=None, ncols=None, normcolor=False, xnames=None, ynames=None, fig=None, cmap='RdYlBu_r')[source]¶

创建一个相关图的网格。

假设所有单个相关图都具有相同的变量，轴标签只需指定一次。

Parameters:¶

dcorrslist or iterable of ndarrays

相关矩阵列表。

titleslist[str], optional

子图标题列表。默认情况下不显示标题。

ncolsint, optional

子图网格中的列数。如果没有给出，列数将自动确定。

normcolorbool or tuple, optional

如果为 False（默认），则颜色编码范围对应于 dcorr 的范围。如果为 True，则颜色范围被归一化到 (-1, 1)。如果这是一个由两个数字组成的元组，则它们定义了颜色条的范围。

xnameslist[str], optional

水平轴的标签。如果没有给出（None），则使用matplotlib的默认值（整数）。如果是一个空列表[]，则不会添加刻度和标签。

ynameslist[str], optional

垂直轴的标签。与xnames的工作方式相同。 如果没有提供，则重新使用与xnames相同的名称。

figFigure, optional

如果给出，则直接返回此图形。否则，将创建一个新的图形。

cmapstr or Matplotlib Colormap instance, optional

绘图的颜色映射。可以是任何有效的 Matplotlib Colormap 实例或名称。

Returns:¶

Figure

如果 ax 为 None，则创建图形。否则为 ax 连接的图形。

示例

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> import statsmodels.api as sm

在这个例子中，我们只是重复使用了相同的协方差矩阵。当然，在现实中，对于相同的变量，我们会展示不同的相关性（测量不同类型的相关性，例如皮尔逊（线性）和斯皮尔曼、肯德尔（非线性）相关性）。

>>> hie_data = sm.datasets.randhie.load_pandas()
>>> corr_matrix = np.corrcoef(hie_data.data.T)
>>> sm.graphics.plot_corr_grid([corr_matrix] * 8, xnames=hie_data.names)
>>> plt.show()

(源代码, png, 高分辨率png, pdf)