你可以使用来自seaborn的heatmap()来查看b/w不同特征的相关性:

import matplot.pyplot as plt
import seaborn as sns

co_matrics=dataframe.corr()
plot.figure(figsize=(15,20))
sns.heatmap(co_matrix, square=True, cbar_kws={"shrink": .5})

为了完整起见，截至2019年底，我所知道的seaborn最简单的解决方案，如果使用Jupyter:

import seaborn as sns
sns.heatmap(dataframe.corr())

Statmodels图形也提供了一个很好的相关矩阵视图

import statsmodels.api as sm
import matplotlib.pyplot as plt

corr = dataframe.corr()
sm.graphics.plot_corr(corr, xnames=list(corr.columns))
plt.show()

如果你的dataframe是df，你可以简单地使用:

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(15, 10))
sns.heatmap(df.corr(), annot=True)

可以使用matplotlib中的imshow()方法

import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('ggplot')

plt.imshow(X.corr(), cmap=plt.cm.Reds, interpolation='nearest')
plt.colorbar()
tick_marks = [i for i in range(len(X.columns))]
plt.xticks(tick_marks, X.columns, rotation='vertical')
plt.yticks(tick_marks, X.columns)
plt.show()

如果你的主要目标是可视化相关矩阵，而不是创建一个图形本身，方便的pandas样式选项是一个可行的内置解决方案:

import pandas as pd
import numpy as np

rs = np.random.RandomState(0)
df = pd.DataFrame(rs.rand(10, 10))
corr = df.corr()
corr.style.background_gradient(cmap='coolwarm')
# 'RdBu_r', 'BrBG_r', & PuOr_r are other good diverging colormaps

请注意，这需要在支持呈现HTML的后端中，例如JupyterLab Notebook。

---

样式

您可以轻松地限制数字精度:

corr.style.background_gradient(cmap='coolwarm').set_precision(2)

如果你更喜欢没有注释的矩阵，也可以把数字都去掉:

corr.style.background_gradient(cmap='coolwarm').set_properties(**{'font-size': '0pt'})

样式文档还包括更高级样式的说明，例如如何更改鼠标指针悬停的单元格的显示。

---

时间比较

在我的测试中，style.background_gradient()比plt.matshow()快4倍，比sn .heatmap()快120倍，矩阵为10x10。不幸的是，它的伸缩性不如plt.matshow():对于100x100的矩阵，两者需要相同的时间，而对于1000x1000的矩阵，plt.matshow()要快10倍。

---

储蓄

有几种可能的方法来保存风格化的数据框架:

通过追加render()方法返回HTML，然后将输出写入文件。 通过附加to_excel()方法保存为带有条件格式的.xslx文件。 结合imgkit保存位图 截屏(就像我在这里所做的那样)。

---

将整个矩阵的颜色归一化(pandas >= 0.24)

通过设置axis=None，现在可以基于整个矩阵计算颜色，而不是每列或每行:

corr.style.background_gradient(cmap='coolwarm', axis=None)

---

单角热图

由于很多人正在阅读这个答案，我想我应该添加一个技巧，如何只显示相关矩阵的一个角落。我发现这个更容易阅读，因为它删除了多余的信息。

# Fill diagonal and upper half with NaNs
mask = np.zeros_like(corr, dtype=bool)
mask[np.triu_indices_from(mask)] = True
corr[mask] = np.nan
(corr
 .style
 .background_gradient(cmap='coolwarm', axis=None, vmin=-1, vmax=1)
 .highlight_null(null_color='#f1f1f1')  # Color NaNs grey
 .set_precision(2))