کدهای آماده برای رسم هیت‌مپ با seaborn

چرا اصلاً هیت‌مپ؟ وقتی داده‌ها داغ می‌شن!

ببین رفیق، توی دنیای امروز که پر از داده‌ست، گاهی اوقات با یه نگاه سطحی نمی‌تونی چیزی از روابط پیچیده بین متغیرها بفهمی. اینجاست که پای هیت‌مپ به میون میاد! هیت‌مپ در واقع یه ابزار ویژوال عالیه که بهمون کمک می‌کنه شدت و ضعف روابط رو با استفاده از رنگ‌ها نشون بدیم. فکر کن یه ماتریس بزرگ داری و می‌خوای بدونی کدوم خونه‌ها با هم ارتباط بیشتری دارن یا کدوم خونه‌ها سرد و بی‌ربطن. هیت‌مپ مثل یه دماسنج عمل می‌کنه و با رنگ‌های مختلف (از سرد تا داغ) این اطلاعات رو بهت نشون می‌ده.

مثلاً، اگه توی یه پروژه یادگیری مشاین باشی، ممکنه بخوای همبستگی بین ویژگی‌های مختلف رو بررسی کنی. یا اگه داری روی داده‌های مالی کار می‌کنی، ببینی کدوم سهام‌ها با هم حرکت می‌کنن. هیت‌مپ این کار رو برات مثل آب خوردن می‌کنه و می‌ذاره الگوها رو خیلی سریع شناسایی کنی. به‌خاطر همین کاربردای خفن، توی حوزه‌های مختلفی مثل دیتا ساینس، بیوانفورماتیک، اقتصاد و حتی طراحی وب ازش استفادع می‌شه.

قبل از هر کاری: نصب و آماده‌سازی ابزارها

خب، قبل از اینکه بریم سراغ کدهای هیجان‌انگیز، باید مطمئن بشیم همه ابزارهای لازم رو روی سیستم‌مون داریم. برای رسم هیت‌مپ با `Seaborn`، ما به چند تا کتابخونه اصلی پایتون نیاز داریم: `Pandas` برای مدیریت داده‌ها، `NumPy` برای محاسبات عددی، `Matplotlib` برای نمایش نمودارها و البته خود `Seaborn` که کار ما رو حسابی راحت می‌کنه.

نصب Seaborn و ابزارهای لازم

اگه این کتابخونه‌ها رو هنوز نصب نکردی، می‌تونی با یه دستور ساده توی ترمینال یا Anaconda Prompt نصبشون کنی:

pip install pandas numpy matplotlib seaborn

همین! به همین سادگی. حالا آماده‌ایم برای قدم بعدی.

بارگذاری داده (Data Loading)

قبل از اینکه هر نموداری بکشیم، باید داده داشته باشیم. برای شروع، می‌تونیم از یه دیتاست نمونه استفاده کنیم. `Seaborn` خودش چند تا دیتاست آماده داره که خیلی به کارمون میاد. مثلاً دیتاست `iris` یا `flights` خیلی پرکاربردن. یا اینکه می‌تونی خودت یه دیتافریم `Pandas` بسازی:

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# ساخت یک دیتافریم نمونه
data = np.random.rand(10, 12) # 10 سطر و 12 ستون از اعداد تصادفی
df = pd.DataFrame(data, columns=[f'ستون {i}' for i in range(1, 13)],
                  index=[f'ردیف {i}' for i in range(1, 11)])

print("نمونه‌ای از دیتافریم:")
print(df.head())

# یا استفاده از دیتاست‌های آماده seaborn
# flights = sns.load_dataset("flights")
# print("nنمونه‌ای از دیتاست flights:")
# print(flights.head())

مهم اینه که داده‌های شما عددی باشن. اگه داده‌های دسته‌بندی شده داری، باید قبلش اون‌ها رو به فرمت عددی تبدیل کنی. این یه قدم حیاتیه برای اینکه هیت‌مپ بتونه کارش رو درست انجام بده.

قدم به قدم: رسم هیت‌مپ پایه با Seaborn

حالا که داده‌هامون آماده‌ست، وقتشه بریم سراغ اصل کار: رسم هیت‌مپ! `Seaborn` این کار رو به شکل فوق‌العاده‌ای ساده کرده. فقط با یه خط کد می‌تونی یه هیت‌مپ زیبا بکشی.

کدهای اولیه برای رسم هیت‌مپ

تابع اصلی که ما باهاش سر و کار داریم `sns.heatmap()` هست. کافیه دیتافریم یا آرایه عددی‌ت رو بهش بدی و تمام. خود `Seaborn` بقیه کارها رو برات انجام می‌ده.

# فرض می‌کنیم 'df' دیتافریم آماده ماست

plt.figure(figsize=(10, 8)) # اندازه نمودار رو تعیین می‌کنیم
sns.heatmap(df)
plt.title('هیت‌مپ پایه از داده‌های تصادفی', fontsize=16) # عنوان نمودار
plt.xlabel('ستون‌ها', fontsize=12)
plt.ylabel('ردیف‌ها', fontsize=12)
plt.show()

با همین کد ساده یه هیت‌مپ با رنگ‌های پیش‌فرض `Seaborn` بهت نشون داده می‌شه. حالا می‌تونیم بریم سراغ جذاب‌ترین بخش قضیه: سفارشی‌سازی!

عمق بیشتر: کاستومایز کردن هیت‌مپ برای جذابیت بیشتر

هیت‌مپ پایه خوبه، ولی برای اینکه نمودارت حرفه‌ای و تاثیرگذار بشه، باید بتونی اون رو کاستومایز کنی. `Seaborn` گزینه‌های زیادی برای این کار در اختیارت می‌ذاره. از تغییر رنگ‌ها بگیر تا نمایش مقادیر و اضافه کردن خطوط جداکننده.

تغییر رنگ‌ها (Colormaps)

شاید رنگ‌بندی پیش‌فرض باب میلت نباشه. `Matplotlib` و `Seaborn` کلی `Colormap` مختلف دارن که می‌تونی ازشون استفاده کنی. پارامتر `cmap` توی `sns.heatmap()` همین کارو برات می‌کنه.

plt.figure(figsize=(10, 8))
sns.heatmap(df, cmap='viridis') # می‌تونی از 'plasma', 'coolwarm', 'RdBu', 'Greens' و ... استفاده کنی
plt.title('هیت‌مپ با Colormap تغییر یافته', fontsize=16)
plt.show()

انتخاب `Colormap` مناسب خیلی مهمه؛ مثلاً `coolwarm` برای نمایش داده‌های با مقادیر مثبت و منفی و `Greens` برای داده‌هایی که فقط مقادیر مثبت دارن عالیه.

اضافه کردن حاشیه و خطوط (Linewidths)

اگه می‌خوای سلول‌های هیت‌مپت مشخص‌تر باشن و از هم جدا بشن، می‌تونی از پارامتر `linewidths` برای اضافه کردن خطوط بین سلول‌ها استفاده کنی. `linecolor` هم رنگ این خطوط رو مشخص می‌کنه.

plt.figure(figsize=(10, 8))
sns.heatmap(df, cmap='YlGnBu', linewidths=0.5, linecolor='black') # خطوط سیاه با ضخامت 0.5
plt.title('هیت‌مپ با خطوط جداکننده', fontsize=16)
plt.show()

نمایش مقادیر (Annotating Values)

گاهی اوقات فقط رنگ‌ها کافی نیستن و دوست داری مقدار دقیق هر سلول رو هم ببینی. پارامتر `annot=True` این کارو برات می‌کنه. اگه بخوای اعداد رو فرمت کنی (مثلاً تا دو رقم اعشار)، می‌تونی از `fmt` استفاده کنی.

plt.figure(figsize=(10, 8))
sns.heatmap(df, cmap='BuPu', annot=True, fmt=".2f", # نمایش اعداد با دو رقم اعشار
            linewidths=0.5, linecolor='gray', annot_kws={"size": 10}) # تنظیمات فونت اعداد
plt.title('هیت‌مپ با مقادیر نمایش داده شده', fontsize=16)
plt.show()

تکنیک‌های پیشرفته با Seaborn: از خوشه‌بندی تا ماسک

`Seaborn` فقط برای کشیدن هیت‌مپ ساده نیست؛ قابلیت‌های پیشرفته‌ای هم داره که تحلیل داده‌هات رو یه لول بالا می‌بره. بیا چند تاش رو بررسی کنیم.

خوشه‌بندی (Clustering) با `sns.clustermap`

`Clustermap` یه ابزار فوق‌العاده برای دیدن خوشه‌های طبیعی توی داده‌هاته. این تابع همزمان با رسم هیت‌مپ، ردیف‌ها و ستون‌ها رو بر اساس شباهت به هم گروه‌بندی می‌کنه و بهت یه دید عمیق‌تر از ساختار داده‌ها می‌ده. این قابلیت توی تحلیل داده ژنتیکی یا دسته‌بندی مشتری‌ها خیلی مفیده.

# از همون دیتافریم 'df' استفاده می‌کنیم
sns.clustermap(df, cmap='mako', figsize=(10, 10))
plt.suptitle('Clustermap از داده‌های تصادفی', fontsize=16, y=1.02) # عنوان کلی برای clustermap
plt.show()

نتیجه `clustermap` یه نمودار پیچیده‌تره که در کنار هیت‌مپ، درخت‌های خوشه‌بندی رو هم توی حاشیه نمایش می‌ده. این درخت‌ها بهت نشون می‌دن که کدوم ردیف‌ها یا ستون‌ها توی یه گروه قرار می‌گیرن.

استفاده از ماسک (Masking)

بعضی وقتا نمی‌خوای تمام سلول‌های هیت‌مپ نشون داده بشن. مثلاً توی ماتریس همبستگی، نیمه بالایی یا پایینی ماتریس تکراریه و می‌تونی اون رو مخفی کنی. پارامتر `mask` یه آرایه بولی (True/False) می‌گیره که جاهایی که `True` باشن رو مخفی می‌کنه.

# ساخت یک ماتریس همبستگی نمونه
corr = df.corr()

# ساخت ماسک برای نیمه بالایی ماتریس
mask = np.triu(np.ones_like(corr, dtype=bool)) # np.triu نیمه بالایی رو True می‌کنه

plt.figure(figsize=(10, 8))
sns.heatmap(corr, mask=mask, cmap='coolwarm', annot=True, fmt=".2f",
            linewidths=0.5, linecolor='gray')
plt.title('هیت‌مپ ماتریس همبستگی با ماسک (نیمه بالایی مخفی)', fontsize=16)
plt.show()

این تکنیک برای وقتی که داری با ماتریس‌های متقارن مثل ماتریس همبستگی کار می‌کنی، خیلی کاربردیه و نمودارت رو مرتب‌تر می‌کنه.

هیت‌مپ با داده‌های دسته‌بندی شده (Categorical Data)

اگرچه هیت‌مپ عمدتاً برای داده‌های عددیه، ولی می‌تونی ازش برای بصری‌سازی داده‌های دسته‌بندی شده هم استفاده کنی. کافیه اول داده‌های دسته‌بندی شده رو به فرمت عددی تبدیل کنی (مثلاً با One-Hot Encoding یا Label Encoding) و بعد هیت‌مپ رو رسم کنی. این کار برای فهمیدن روابط بین ویژگی‌های دسته‌بندی شده عالیه.

# ساخت یه دیتافریم با داده‌های دسته‌بندی شده
data_cat = {'میوه': ['سیب', 'موز', 'سیب', 'پرتقال', 'موز', 'پرتقال'],
            'رنگ': ['قرمز', 'زرد', 'سبز', 'نارنجی', 'زرد', 'نارنجی'],
            'امتیاز': [5, 4, 3, 5, 4, 2]}
df_cat = pd.DataFrame(data_cat)

# تبدیل داده‌های دسته‌بندی شده به عددی با One-Hot Encoding
df_encoded = pd.get_dummies(df_cat[['میوه', 'رنگ']])
# اضافه کردن ستون عددی امتیاز
df_final = pd.concat([df_encoded, df_cat['امتیاز']], axis=1)

print("نمونه‌ای از دیتافریم کدگذاری شده:")
print(df_final.head())

plt.figure(figsize=(10, 6))
sns.heatmap(df_final.corr(), cmap='coolwarm', annot=True, fmt=".2f", linewidths=0.5)
plt.title('هیت‌مپ همبستگی داده‌های دسته‌بندی شده (بعد از One-Hot Encoding)', fontsize=16)
plt.show()

جدول مقایسه‌ای: پارامترهای کلیدی هیت‌مپ

برای اینکه بتونی سریع‌تر پارامترهای مهم `heatmap` رو مرور کنی، یه جدول کوچیک آماده کردم. این جدول بهت کمک می‌کنه تا توی کدهای آماده و اسنیپت‌هات سریع‌تر به گزینه دلخواهت برسی.

عیب‌یابی سریع: مشکلات رایج و راه‌حل‌ها

حتی باتجربه‌ترین توسعه‌دهنگان هم گاهی اوقات با مشکلاتی توی رسم نمودارها مواجه می‌شن. اینجا چند تا از مشکلات رایج و راه‌حل‌هاشون رو با هم بررسی می‌کنیم:

# اشتباه:
# series_data = pd.Series(np.random.rand(10))
# sns.heatmap(series_data)

# درست:
df_single_col = pd.DataFrame(np.random.rand(10, 1), columns=['مقدار'])
sns.heatmap(df_single_col)

حرف آخر و یه خداحافظی باحال

خب رفیق، تا اینجا با هم سفر جذابی رو طی کردیم و یاد گرفتیم چطور با `Seaborn` هیت‌مپ‌های باحال و کاربردی بکشیم. از آماده‌سازی داده‌ها گرفته تا کشیدن یه هیت‌مپ ساده، کاستومایز کردنش با رنگ‌ها و خطوط، و حتی استفاده از تکنیک‌های پیشرفته‌تر مثل خوشه‌بندی و ماسک. دیگه فکر نمی‌کنم مشکلی توی این زمینت داشته باشی!

یادت باشه که ویژوال‌سازی داده‌ها یه هنره و با تمرین و تجربه می‌تونی نمودارهایی بکشی که هم از نظر علمی دقیق باشن و هم از نظر بصری جذاب. این کدهای آماده فقط یه نقطه شروع هستن. حالا دیگه دستت بازه که خلاقیت به خرج بدی و هیت‌مپ‌های خودت رو با سلیقه خودت درست کنی. اگه دنبال کدهای پایتون، CSS، JavaScript، HTML یا حتی WordPress هستی، حتماً یه سر به بخش اسنیپت‌های fa-tools.ir بزن. اونجا کلی چیز به درد بخور پیدا می‌کنی که سرعت کارت رو چندین برابر می‌کنه.