在分类任务中，也可用于画混淆矩阵：
一些参数的含义：
例子：
将最后一行改为，设置最大值和最小值：
设置中心值：
从文件中获取数据，并画图给出有意义的横纵坐标：
将passengers对应的人数标出：
设置方格之间的间隔：
设置使用不同的颜色：
以某个具体的数据为中心：
自动填充坐标值：
不画右边的热度条：
本课将继续介绍 Seaborn 中的统计图。一定要牢记，Seaborn 是对 Matplotlib 的高级封装，它优化了很多古老的做图过程，因此才会看到一个函数解决问题的局面。
在统计学中，研究数据的分布情况，也是一个重要的工作，比如某些数据是否为正态分布——某些机器学习模型很在意数据的分布情况。
在 Matplotlib 中，可以通过绘制直方图将数据的分布情况可视化。在 Seaborn 中，也提供了绘制直方图的函数。
输出结果：
sns.distplot 函数即实现了直方图，还顺带把曲线画出来了——曲线其实代表了 KDE。
除了 sns.distplot 之外，在 Seaborn 中还有另外一个常用的绘制数据分布的函数 sns.kdeplot，它们的使用方法类似。
首先看这样一个示例。
输出结果：
① 的作用是设置所得图示的背景颜色，这样做的目的是让下面的 ② 绘制的图像显示更清晰，如果不设置 ①，在显示的图示中看到的就是白底图像，有的部分看不出来。
② 最终得到的是坐标网格，而且在图中分为三部分，如下图所示。
相对于以往的坐标网格，多出了 B 和 C 两个部分。也就是说，不仅可以在 A 部分绘制某种统计图，在 B 和 C 部分也可以绘制。
继续操作：
输出结果：
语句 ③ 实现了在坐标网格中绘制统计图的效果，jp.plot 方法以两个绘图函数为参数，分别在 A 部分绘制了回归统计图，在 B 和 C 部分绘制了直方图，而且直方图分别表示了对应坐标轴数据的分布，即：
我们把有语句 ② 和 ③ 共同实现的统计图，称为联合统计图。除了用 ② ③ 两句可以绘制这种图之外，还有一个函数也能够“两步并作一步”，具体如下：
输出结果：
前言：生物信息工作中各种热图层出不穷，介绍两种特殊的热图画法1.含有NA数据的热图
数据格式如上图所示
python 中用pandas 处理一下数据
热图用R pheatmap
在使用maftools中有个一个互斥图非常好看，而且在图中表示了一部分F检验的内容
下面就用image画一个类似的图形分别用T检验和Pearson检验来画
原始数据是这样的
用pandas 处理数据
数据两两计算形成一个对称的矩阵
在将重复部分用np.nan填充
使用R image 来画一个
