完整工作流程或分子相似性矩阵数据计算方法参见教程 综合使用KNIME、Python绘制分子相似性矩阵热图;
import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
df = pd.DataFrame(pd.read_csv('G:/KNIME/DrugBank/DrugTanimoto.csv',header = 0, index_col=[0]))
df
nutra_0 | nutra_1 | nutra_2 | nutra_3 | nutra_4 | nutra_5 | nutra_6 | nutra_7 | nutra_8 | nutra_9 | ... | nutra_96 | nutra_97 | nutra_98 | nutra_99 | nutra_100 | nutra_101 | nutra_102 | nutra_103 | nutra_104 | nutra_105 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
illicit_0 | 0.075472 | 0.042857 | 0.075949 | 0.073171 | 0.088608 | 0.074074 | 0.419355 | 0.018182 | 0.034483 | 0.081081 | ... | 0.162791 | 0.048780 | 0.023256 | 0.023256 | 0.023256 | 0.023256 | 0.117647 | 0.062500 | 0.111111 | NaN |
illicit_1 | 0.055556 | 0.042857 | 0.049383 | 0.100000 | 0.061728 | 0.074074 | 0.023256 | 0.056604 | 0.111111 | 0.052632 | ... | 0.063830 | 0.162162 | 0.073171 | 0.073171 | 0.073171 | 0.073171 | 0.075472 | 0.096774 | 0.020408 | NaN |
illicit_2 | 0.075472 | 0.042857 | 0.089744 | 0.073171 | 0.061728 | 0.074074 | 0.419355 | 0.018182 | 0.034483 | 0.081081 | ... | 0.162791 | 0.048780 | 0.023256 | 0.023256 | 0.023256 | 0.023256 | 0.117647 | 0.062500 | 0.111111 | NaN |
illicit_3 | 0.111111 | 0.056738 | 0.113924 | 0.236842 | 0.085366 | 0.280000 | 0.205128 | 0.180000 | 0.031250 | 0.303030 | ... | 0.039216 | 0.095238 | 0.044444 | 0.044444 | 0.044444 | 0.044444 | 0.052632 | 0.121212 | 0.104167 | NaN |
illicit_4 | 0.070175 | 0.094891 | 0.098765 | 0.116279 | 0.071429 | 0.137931 | 0.043478 | 0.176471 | 0.062500 | 0.073171 | ... | 0.080000 | 0.236842 | 0.090909 | 0.090909 | 0.090909 | 0.090909 | 0.070175 | 0.151515 | 0.038462 | NaN |
illicit_5 | 0.066667 | 0.085106 | 0.095238 | 0.108696 | 0.068966 | 0.125000 | 0.040816 | 0.188679 | 0.057143 | 0.068182 | ... | 0.075472 | 0.190476 | 0.085106 | 0.085106 | 0.085106 | 0.085106 | 0.066667 | 0.138889 | 0.036364 | NaN |
illicit_6 | 0.065574 | 0.092199 | 0.094118 | 0.106383 | 0.068182 | 0.121212 | 0.040000 | 0.185185 | 0.055556 | 0.066667 | ... | 0.074074 | 0.214286 | 0.083333 | 0.083333 | 0.083333 | 0.083333 | 0.065574 | 0.135135 | 0.035714 | NaN |
illicit_7 | 0.102273 | 0.081395 | 0.136364 | 0.050000 | 0.125000 | 0.029851 | 0.090909 | 0.090909 | 0.093750 | 0.038961 | ... | 0.139241 | 0.064103 | 0.090909 | 0.090909 | 0.090909 | 0.090909 | 0.141176 | 0.072464 | 0.097561 | NaN |
illicit_8 | 0.091954 | 0.101796 | 0.118182 | 0.051282 | 0.148148 | 0.063492 | 0.093333 | 0.105882 | 0.079365 | 0.054054 | ... | 0.189189 | 0.080000 | 0.078947 | 0.078947 | 0.078947 | 0.078947 | 0.117647 | 0.125000 | 0.086420 | NaN |
illicit_9 | 0.078125 | 0.060403 | 0.114943 | 0.056604 | 0.113636 | 0.108108 | 0.191489 | 0.062500 | 0.076923 | 0.061224 | ... | 0.215686 | 0.100000 | 0.098039 | 0.098039 | 0.098039 | 0.098039 | 0.112903 | 0.179487 | 0.107143 | NaN |
illicit_10 | 0.082192 | 0.090909 | 0.080808 | 0.047619 | 0.102041 | 0.062500 | 0.118644 | 0.068493 | 0.019608 | 0.068966 | ... | 0.090909 | 0.140351 | 0.064516 | 0.064516 | 0.064516 | 0.064516 | 0.082192 | 0.076923 | 0.107692 | NaN |
illicit_11 | 0.092593 | 0.072464 | 0.101266 | 0.121951 | 0.113924 | 0.192308 | 0.069767 | 0.183673 | 0.103448 | 0.105263 | ... | 0.106383 | 0.216216 | 0.150000 | 0.150000 | 0.150000 | 0.150000 | 0.113208 | 0.161290 | 0.083333 | NaN |
illicit_12 | 0.075000 | 0.114650 | 0.117647 | 0.073529 | 0.074766 | 0.054545 | 0.140625 | 0.075949 | 0.035088 | 0.045455 | ... | 0.128571 | 0.074627 | 0.057971 | 0.057971 | 0.057971 | 0.057971 | 0.116883 | 0.050000 | 0.112676 | NaN |
illicit_13 | 0.098765 | 0.105590 | 0.093458 | 0.070423 | 0.092593 | 0.051724 | 0.101449 | 0.060241 | 0.050847 | 0.058824 | ... | 0.138889 | 0.119403 | 0.070423 | 0.070423 | 0.070423 | 0.070423 | 0.112500 | 0.064516 | 0.093333 | NaN |
illicit_14 | 0.060976 | 0.073171 | 0.105769 | 0.057143 | 0.104762 | 0.035088 | 0.138462 | 0.036145 | 0.071429 | 0.044776 | ... | 0.159420 | 0.073529 | 0.057143 | 0.057143 | 0.057143 | 0.057143 | 0.101266 | 0.049180 | 0.111111 | NaN |
illicit_15 | 0.089888 | 0.075145 | 0.126126 | 0.050000 | 0.135135 | 0.061538 | 0.090909 | 0.103448 | 0.093750 | 0.038961 | ... | 0.168831 | 0.077922 | 0.090909 | 0.090909 | 0.090909 | 0.090909 | 0.141176 | 0.121212 | 0.097561 | NaN |
illicit_16 | 0.044776 | 0.052980 | 0.076923 | 0.036364 | 0.064516 | 0.050000 | 0.212766 | 0.014706 | 0.048780 | 0.060000 | ... | 0.125000 | 0.056604 | 0.017857 | 0.017857 | 0.017857 | 0.017857 | 0.093750 | 0.044444 | 0.086207 | NaN |
illicit_17 | 0.082353 | 0.083832 | 0.111111 | 0.039474 | 0.090090 | 0.015873 | 0.082192 | 0.058140 | 0.083333 | 0.041667 | ... | 0.164384 | 0.083333 | 0.053333 | 0.053333 | 0.053333 | 0.053333 | 0.095238 | 0.045455 | 0.062500 | NaN |
illicit_18 | 0.128205 | 0.092593 | 0.183673 | 0.136364 | 0.073394 | 0.132075 | 0.229508 | 0.101266 | 0.051724 | 0.092308 | ... | 0.191176 | 0.088235 | 0.071429 | 0.071429 | 0.071429 | 0.071429 | 0.113924 | 0.048387 | 0.140845 | NaN |
illicit_19 | 0.083333 | 0.084416 | 0.115789 | 0.048387 | 0.114583 | 0.086957 | 0.226415 | 0.069444 | 0.085106 | 0.051724 | ... | 0.203390 | 0.084746 | 0.101695 | 0.101695 | 0.101695 | 0.101695 | 0.130435 | 0.122449 | 0.092308 | NaN |
illicit_20 | 0.058824 | 0.111801 | 0.092593 | 0.069444 | 0.062500 | 0.050847 | 0.115942 | 0.034884 | 0.016129 | 0.042857 | ... | 0.106667 | 0.055556 | 0.054795 | 0.054795 | 0.054795 | 0.054795 | 0.111111 | 0.046875 | 0.092105 | NaN |
illicit_21 | 0.068182 | 0.089286 | 0.089286 | 0.051948 | 0.098214 | 0.064516 | 0.109589 | 0.044944 | 0.046875 | 0.040541 | ... | 0.144737 | 0.066667 | 0.065789 | 0.065789 | 0.065789 | 0.065789 | 0.105882 | 0.075758 | 0.101266 | NaN |
illicit_22 | 0.075000 | 0.086957 | 0.106796 | 0.057971 | 0.064815 | 0.054545 | 0.140625 | 0.062500 | 0.035088 | 0.045455 | ... | 0.144928 | 0.058824 | 0.057971 | 0.057971 | 0.057971 | 0.057971 | 0.116883 | 0.050000 | 0.112676 | NaN |
illicit_23 | 0.057471 | 0.077381 | 0.071429 | 0.039474 | 0.141509 | 0.066667 | 0.097222 | 0.070588 | 0.048387 | 0.041667 | ... | 0.103896 | 0.068493 | 0.112676 | 0.112676 | 0.112676 | 0.112676 | 0.095238 | 0.112903 | 0.089744 | NaN |
illicit_24 | 0.064935 | 0.068750 | 0.122449 | 0.045455 | 0.132653 | 0.080000 | 0.210526 | 0.080000 | 0.057692 | 0.048387 | ... | 0.171875 | 0.079365 | 0.095238 | 0.095238 | 0.095238 | 0.095238 | 0.123288 | 0.113208 | 0.102941 | NaN |
illicit_25 | 0.092105 | 0.095541 | 0.110000 | 0.076923 | 0.066667 | 0.057692 | 0.186441 | 0.064935 | 0.037037 | 0.064516 | ... | 0.151515 | 0.061538 | 0.060606 | 0.060606 | 0.060606 | 0.060606 | 0.121622 | 0.052632 | 0.134328 | NaN |
illicit_26 | 0.078125 | 0.060403 | 0.077778 | 0.056604 | 0.076923 | 0.078947 | 0.217391 | 0.062500 | 0.050000 | 0.083333 | ... | 0.169811 | 0.057692 | 0.056604 | 0.056604 | 0.056604 | 0.056604 | 0.131148 | 0.069767 | 0.107143 | NaN |
illicit_27 | 0.054054 | 0.098684 | 0.092784 | 0.065574 | 0.114583 | 0.086957 | 0.048387 | 0.100000 | 0.062500 | 0.051724 | ... | 0.075758 | 0.122807 | 0.101695 | 0.101695 | 0.101695 | 0.101695 | 0.098592 | 0.145833 | 0.028986 | NaN |
illicit_28 | 0.063492 | 0.046980 | 0.091954 | 0.018868 | 0.066667 | 0.054054 | 0.255814 | 0.031250 | 0.081081 | 0.020408 | ... | 0.176471 | 0.039216 | 0.038462 | 0.038462 | 0.038462 | 0.038462 | 0.080645 | 0.073171 | 0.111111 | NaN |
illicit_29 | 0.077922 | 0.061728 | 0.110000 | 0.044776 | 0.120000 | 0.057692 | 0.147541 | 0.078947 | 0.056604 | 0.064516 | ... | 0.169231 | 0.061538 | 0.111111 | 0.111111 | 0.111111 | 0.111111 | 0.136986 | 0.090909 | 0.134328 | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
illicit_172 | 0.075472 | 0.042857 | 0.075949 | 0.073171 | 0.088608 | 0.074074 | 0.419355 | 0.018182 | 0.034483 | 0.081081 | ... | 0.162791 | 0.048780 | 0.023256 | 0.023256 | 0.023256 | 0.023256 | 0.117647 | 0.062500 | 0.111111 | NaN |
illicit_173 | 0.052632 | 0.041958 | 0.073171 | 0.044444 | 0.085366 | 0.066667 | 0.342857 | 0.017241 | 0.031250 | 0.048780 | ... | 0.152174 | 0.045455 | 0.021739 | 0.021739 | 0.021739 | 0.021739 | 0.090909 | 0.057143 | 0.104167 | NaN |
illicit_174 | 0.076923 | 0.046053 | 0.088889 | 0.055556 | 0.112360 | 0.076923 | 0.212766 | 0.061538 | 0.102564 | 0.060000 | ... | 0.235294 | 0.056604 | 0.075472 | 0.075472 | 0.075472 | 0.075472 | 0.129032 | 0.093023 | 0.105263 | NaN |
illicit_175 | 0.074074 | 0.100000 | 0.116505 | 0.072464 | 0.084112 | 0.053571 | 0.138462 | 0.075000 | 0.034483 | 0.060606 | ... | 0.142857 | 0.073529 | 0.057143 | 0.057143 | 0.057143 | 0.057143 | 0.115385 | 0.066667 | 0.111111 | NaN |
illicit_176 | 0.073171 | 0.079268 | 0.094340 | 0.056338 | 0.063636 | 0.052632 | 0.119403 | 0.048193 | 0.016667 | 0.044118 | ... | 0.125000 | 0.057143 | 0.056338 | 0.056338 | 0.056338 | 0.056338 | 0.113924 | 0.048387 | 0.109589 | NaN |
illicit_177 | 0.054795 | 0.099338 | 0.117021 | 0.066667 | 0.092784 | 0.088889 | 0.049180 | 0.101449 | 0.063830 | 0.052632 | ... | 0.076923 | 0.125000 | 0.103448 | 0.103448 | 0.103448 | 0.103448 | 0.100000 | 0.148936 | 0.029412 | NaN |
illicit_178 | 0.046154 | 0.046667 | 0.103448 | 0.037736 | 0.077778 | 0.025641 | 0.170213 | 0.046875 | 0.078947 | 0.062500 | ... | 0.173077 | 0.102041 | 0.057692 | 0.057692 | 0.057692 | 0.057692 | 0.096774 | 0.071429 | 0.089286 | NaN |
illicit_179 | 0.090909 | 0.114458 | 0.127273 | 0.064103 | 0.116071 | 0.062500 | 0.106667 | 0.079545 | 0.078125 | 0.067568 | ... | 0.186667 | 0.093333 | 0.077922 | 0.077922 | 0.077922 | 0.077922 | 0.103448 | 0.106061 | 0.072289 | NaN |
illicit_180 | 0.088235 | 0.093960 | 0.108696 | 0.033898 | 0.107527 | 0.095238 | 0.150943 | 0.057971 | 0.021739 | 0.036364 | ... | 0.155172 | 0.071429 | 0.070175 | 0.070175 | 0.070175 | 0.070175 | 0.121212 | 0.108696 | 0.155172 | NaN |
illicit_181 | 0.097222 | 0.070064 | 0.175824 | 0.137931 | 0.048544 | 0.133333 | 0.269231 | 0.238095 | 0.019608 | 0.215686 | ... | 0.125000 | 0.083333 | 0.031250 | 0.031250 | 0.031250 | 0.031250 | 0.112676 | 0.056604 | 0.161290 | NaN |
illicit_182 | 0.074627 | 0.066225 | 0.063830 | 0.035088 | 0.052083 | 0.073171 | 0.035088 | 0.092308 | 0.022727 | 0.037736 | ... | 0.048387 | 0.054545 | 0.092593 | 0.092593 | 0.092593 | 0.092593 | 0.090909 | 0.088889 | 0.031746 | NaN |
illicit_183 | 0.052632 | 0.097403 | 0.080000 | 0.063492 | 0.079208 | 0.083333 | 0.030769 | 0.082192 | 0.060000 | 0.050000 | ... | 0.073529 | 0.118644 | 0.080645 | 0.080645 | 0.080645 | 0.080645 | 0.081081 | 0.117647 | 0.028169 | NaN |
illicit_184 | 0.169492 | 0.074830 | 0.141176 | 0.098039 | 0.076923 | 0.171429 | 0.217391 | 0.079365 | 0.024390 | 0.106383 | ... | 0.127273 | 0.078431 | 0.037037 | 0.037037 | 0.037037 | 0.037037 | 0.095238 | 0.069767 | 0.215686 | NaN |
illicit_185 | 0.057471 | 0.124224 | 0.090909 | 0.053333 | 0.080357 | 0.066667 | 0.025974 | 0.151899 | 0.015625 | 0.071429 | ... | 0.049383 | 0.181818 | 0.097222 | 0.097222 | 0.097222 | 0.097222 | 0.121951 | 0.112903 | 0.036585 | NaN |
illicit_186 | 0.075949 | 0.067485 | 0.097087 | 0.043478 | 0.140000 | 0.075472 | 0.200000 | 0.050000 | 0.074074 | 0.046154 | ... | 0.181818 | 0.075758 | 0.074627 | 0.074627 | 0.074627 | 0.074627 | 0.103896 | 0.107143 | 0.098592 | NaN |
illicit_187 | 0.057471 | 0.077381 | 0.090909 | 0.039474 | 0.120370 | 0.066667 | 0.179104 | 0.058140 | 0.048387 | 0.041667 | ... | 0.148649 | 0.068493 | 0.082192 | 0.082192 | 0.082192 | 0.082192 | 0.108434 | 0.095238 | 0.089744 | NaN |
illicit_188 | 0.061728 | 0.114650 | 0.128713 | 0.073529 | 0.173469 | 0.074074 | 0.106061 | 0.118421 | 0.113208 | 0.045455 | ... | 0.161765 | 0.107692 | 0.158730 | 0.158730 | 0.158730 | 0.158730 | 0.146667 | 0.105263 | 0.082192 | NaN |
illicit_189 | 0.065789 | 0.075949 | 0.123711 | 0.046154 | 0.134021 | 0.081633 | 0.172414 | 0.081081 | 0.080000 | 0.049180 | ... | 0.193548 | 0.080645 | 0.096774 | 0.096774 | 0.096774 | 0.096774 | 0.140845 | 0.115385 | 0.104478 | NaN |
illicit_190 | 0.053191 | 0.099415 | 0.094828 | 0.048780 | 0.142857 | 0.059701 | 0.088608 | 0.088889 | 0.043478 | 0.037975 | ... | 0.108434 | 0.089744 | 0.088608 | 0.088608 | 0.088608 | 0.088608 | 0.112360 | 0.085714 | 0.082353 | NaN |
illicit_191 | 0.063291 | 0.067901 | 0.120000 | 0.044118 | 0.130000 | 0.076923 | 0.203390 | 0.092105 | 0.055556 | 0.046875 | ... | 0.166667 | 0.093750 | 0.092308 | 0.092308 | 0.092308 | 0.092308 | 0.120000 | 0.109091 | 0.115942 | NaN |
illicit_192 | 0.070588 | 0.084337 | 0.101852 | 0.040000 | 0.121495 | 0.067797 | 0.181818 | 0.058824 | 0.049180 | 0.042254 | ... | 0.150685 | 0.069444 | 0.114286 | 0.114286 | 0.114286 | 0.114286 | 0.109756 | 0.096774 | 0.105263 | NaN |
illicit_193 | 0.060241 | 0.079268 | 0.115385 | 0.041667 | 0.135922 | 0.071429 | 0.190476 | 0.074074 | 0.051724 | 0.044118 | ... | 0.157143 | 0.088235 | 0.086957 | 0.086957 | 0.086957 | 0.086957 | 0.113924 | 0.101695 | 0.094595 | NaN |
illicit_194 | 0.060241 | 0.072727 | 0.094340 | 0.041667 | 0.147059 | 0.071429 | 0.190476 | 0.074074 | 0.051724 | 0.044118 | ... | 0.157143 | 0.072464 | 0.102941 | 0.102941 | 0.102941 | 0.102941 | 0.113924 | 0.101695 | 0.109589 | NaN |
illicit_195 | 0.050633 | 0.102564 | 0.099010 | 0.060606 | 0.142857 | 0.078431 | 0.111111 | 0.093333 | 0.056604 | 0.047619 | ... | 0.117647 | 0.078125 | 0.111111 | 0.111111 | 0.111111 | 0.111111 | 0.106667 | 0.111111 | 0.085714 | NaN |
illicit_196 | 0.080000 | 0.082803 | 0.159574 | 0.062500 | 0.145833 | 0.081633 | 0.172414 | 0.095890 | 0.080000 | 0.049180 | ... | 0.193548 | 0.098361 | 0.114754 | 0.114754 | 0.114754 | 0.114754 | 0.140845 | 0.115385 | 0.104478 | NaN |
illicit_197 | 0.090909 | 0.088398 | 0.133333 | 0.043956 | 0.141667 | 0.025641 | 0.079545 | 0.103093 | 0.080000 | 0.034091 | ... | 0.122222 | 0.056180 | 0.091954 | 0.091954 | 0.091954 | 0.091954 | 0.136842 | 0.062500 | 0.086022 | NaN |
illicit_198 | 0.078125 | 0.060403 | 0.114943 | 0.056604 | 0.139535 | 0.108108 | 0.191489 | 0.062500 | 0.105263 | 0.061224 | ... | 0.240000 | 0.100000 | 0.076923 | 0.076923 | 0.076923 | 0.076923 | 0.112903 | 0.179487 | 0.107143 | NaN |
illicit_199 | 0.086957 | 0.071895 | 0.131868 | 0.050847 | 0.142857 | 0.093023 | 0.169811 | 0.072464 | 0.090909 | 0.054545 | ... | 0.214286 | 0.089286 | 0.107143 | 0.107143 | 0.107143 | 0.107143 | 0.136364 | 0.130435 | 0.096774 | NaN |
illicit_200 | 0.095890 | 0.090323 | 0.113402 | 0.063492 | 0.123711 | 0.040000 | 0.098361 | 0.067568 | 0.104167 | 0.050000 | ... | 0.196721 | 0.064516 | 0.063492 | 0.063492 | 0.063492 | 0.063492 | 0.081081 | 0.075472 | 0.123077 | NaN |
illicit_201 | 0.043478 | 0.114458 | 0.087719 | 0.050633 | 0.077586 | 0.062500 | 0.024691 | 0.144578 | 0.014706 | 0.067568 | ... | 0.047059 | 0.123288 | 0.106667 | 0.106667 | 0.106667 | 0.106667 | 0.103448 | 0.089552 | 0.022989 | NaN |
202 rows × 106 columns
list_column = []
list_index = []
for indexs in df.index:
for i in range(len(df.loc[indexs].values)):
if(float(df.loc[indexs].values[i]) > 0.4):
list_column.append(df.columns.values[i])
list_index.append(indexs)
df_column = df.columns.values.tolist()
df_index = df._stat_axis.values.tolist()
df_lsim = df.drop(columns = list(set(df_column).difference(set(list_column))), index = list(set(df_index).difference(set(list_index))))
df_lsim
nutra_6 | nutra_18 | nutra_24 | nutra_27 | nutra_34 | nutra_35 | nutra_36 | nutra_62 | nutra_67 | nutra_72 | nutra_74 | nutra_85 | nutra_87 | nutra_89 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
illicit_0 | 0.419355 | 0.096774 | 0.035714 | 0.085714 | 0.125000 | 0.187500 | 0.096774 | 0.105263 | 0.033333 | 0.111111 | 0.029412 | 0.032258 | 0.127660 | 0.027778 |
illicit_2 | 0.419355 | 0.096774 | 0.035714 | 0.085714 | 0.125000 | 0.187500 | 0.096774 | 0.105263 | 0.033333 | 0.111111 | 0.029412 | 0.032258 | 0.127660 | 0.027778 |
illicit_3 | 0.205128 | 0.275862 | 0.333333 | 0.366667 | 0.444444 | 0.176471 | 0.275862 | 0.081967 | 0.101695 | 0.166667 | 0.266667 | 0.060606 | 0.120000 | 0.290323 |
illicit_52 | 0.171429 | 0.409091 | 0.444444 | 0.400000 | 0.269231 | 0.173913 | 0.409091 | 0.090909 | 0.134615 | 0.163265 | 0.454545 | 0.074074 | 0.086957 | 0.416667 |
illicit_53 | 0.093750 | 0.052632 | 0.037736 | 0.049180 | 0.068966 | 0.317460 | 0.052632 | 0.618182 | 0.086420 | 0.303030 | 0.070175 | 0.074074 | 0.338983 | 0.050000 |
illicit_55 | 0.032258 | 0.038462 | 0.042553 | 0.094340 | 0.098039 | 0.040541 | 0.038462 | 0.077922 | 0.438596 | 0.038961 | 0.037736 | 0.083333 | 0.028169 | 0.096154 |
illicit_57 | 0.068966 | 0.040000 | 0.021739 | 0.037037 | 0.038462 | 0.315789 | 0.040000 | 0.306452 | 0.038961 | 0.529412 | 0.060000 | 0.086957 | 0.613636 | 0.037736 |
illicit_58 | 0.234043 | 0.116279 | 0.023810 | 0.106383 | 0.136364 | 0.613636 | 0.116279 | 0.375000 | 0.055556 | 0.396226 | 0.042553 | 0.022222 | 0.425532 | 0.040816 |
illicit_66 | 0.032258 | 0.038462 | 0.065217 | 0.115385 | 0.098039 | 0.040541 | 0.038462 | 0.077922 | 0.640000 | 0.038961 | 0.057692 | 0.061224 | 0.042857 | 0.117647 |
illicit_69 | 0.148148 | 0.061224 | 0.021739 | 0.056604 | 0.080000 | 0.500000 | 0.061224 | 0.327869 | 0.052632 | 0.322034 | 0.060000 | 0.063830 | 0.339623 | 0.037736 |
illicit_96 | 0.153846 | 0.063830 | 0.022727 | 0.058824 | 0.061224 | 0.520833 | 0.063830 | 0.316667 | 0.040000 | 0.333333 | 0.062500 | 0.090909 | 0.352941 | 0.039216 |
illicit_100 | 0.046512 | 0.129032 | 0.071429 | 0.054054 | 0.057143 | 0.054545 | 0.129032 | 0.066667 | 0.086207 | 0.051724 | 0.125000 | 0.650000 | 0.038462 | 0.085714 |
illicit_124 | 0.032258 | 0.058824 | 0.042553 | 0.094340 | 0.076923 | 0.040541 | 0.058824 | 0.064103 | 0.640000 | 0.038961 | 0.078431 | 0.040000 | 0.057971 | 0.075472 |
illicit_135 | 0.032787 | 0.039216 | 0.066667 | 0.117647 | 0.100000 | 0.041096 | 0.039216 | 0.078947 | 0.500000 | 0.039474 | 0.058824 | 0.062500 | 0.043478 | 0.120000 |
illicit_145 | 0.224490 | 0.111111 | 0.022727 | 0.102041 | 0.130435 | 0.586957 | 0.111111 | 0.362069 | 0.068493 | 0.381818 | 0.040816 | 0.043478 | 0.408163 | 0.060000 |
illicit_172 | 0.419355 | 0.096774 | 0.035714 | 0.085714 | 0.125000 | 0.187500 | 0.096774 | 0.105263 | 0.033333 | 0.111111 | 0.029412 | 0.032258 | 0.127660 | 0.027778 |
illicit_200 | 0.098361 | 0.055556 | 0.040000 | 0.051724 | 0.053571 | 0.333333 | 0.055556 | 0.592593 | 0.062500 | 0.317460 | 0.074074 | 0.100000 | 0.357143 | 0.052632 |
df_lsim = df_lsim.drop("illicit_0")
df_lsim
nutra_6 | nutra_18 | nutra_24 | nutra_27 | nutra_34 | nutra_35 | nutra_36 | nutra_62 | nutra_67 | nutra_72 | nutra_74 | nutra_85 | nutra_87 | nutra_89 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
illicit_2 | 0.419355 | 0.096774 | 0.035714 | 0.085714 | 0.125000 | 0.187500 | 0.096774 | 0.105263 | 0.033333 | 0.111111 | 0.029412 | 0.032258 | 0.127660 | 0.027778 |
illicit_3 | 0.205128 | 0.275862 | 0.333333 | 0.366667 | 0.444444 | 0.176471 | 0.275862 | 0.081967 | 0.101695 | 0.166667 | 0.266667 | 0.060606 | 0.120000 | 0.290323 |
illicit_52 | 0.171429 | 0.409091 | 0.444444 | 0.400000 | 0.269231 | 0.173913 | 0.409091 | 0.090909 | 0.134615 | 0.163265 | 0.454545 | 0.074074 | 0.086957 | 0.416667 |
illicit_53 | 0.093750 | 0.052632 | 0.037736 | 0.049180 | 0.068966 | 0.317460 | 0.052632 | 0.618182 | 0.086420 | 0.303030 | 0.070175 | 0.074074 | 0.338983 | 0.050000 |
illicit_55 | 0.032258 | 0.038462 | 0.042553 | 0.094340 | 0.098039 | 0.040541 | 0.038462 | 0.077922 | 0.438596 | 0.038961 | 0.037736 | 0.083333 | 0.028169 | 0.096154 |
illicit_57 | 0.068966 | 0.040000 | 0.021739 | 0.037037 | 0.038462 | 0.315789 | 0.040000 | 0.306452 | 0.038961 | 0.529412 | 0.060000 | 0.086957 | 0.613636 | 0.037736 |
illicit_58 | 0.234043 | 0.116279 | 0.023810 | 0.106383 | 0.136364 | 0.613636 | 0.116279 | 0.375000 | 0.055556 | 0.396226 | 0.042553 | 0.022222 | 0.425532 | 0.040816 |
illicit_66 | 0.032258 | 0.038462 | 0.065217 | 0.115385 | 0.098039 | 0.040541 | 0.038462 | 0.077922 | 0.640000 | 0.038961 | 0.057692 | 0.061224 | 0.042857 | 0.117647 |
illicit_69 | 0.148148 | 0.061224 | 0.021739 | 0.056604 | 0.080000 | 0.500000 | 0.061224 | 0.327869 | 0.052632 | 0.322034 | 0.060000 | 0.063830 | 0.339623 | 0.037736 |
illicit_96 | 0.153846 | 0.063830 | 0.022727 | 0.058824 | 0.061224 | 0.520833 | 0.063830 | 0.316667 | 0.040000 | 0.333333 | 0.062500 | 0.090909 | 0.352941 | 0.039216 |
illicit_100 | 0.046512 | 0.129032 | 0.071429 | 0.054054 | 0.057143 | 0.054545 | 0.129032 | 0.066667 | 0.086207 | 0.051724 | 0.125000 | 0.650000 | 0.038462 | 0.085714 |
illicit_124 | 0.032258 | 0.058824 | 0.042553 | 0.094340 | 0.076923 | 0.040541 | 0.058824 | 0.064103 | 0.640000 | 0.038961 | 0.078431 | 0.040000 | 0.057971 | 0.075472 |
illicit_135 | 0.032787 | 0.039216 | 0.066667 | 0.117647 | 0.100000 | 0.041096 | 0.039216 | 0.078947 | 0.500000 | 0.039474 | 0.058824 | 0.062500 | 0.043478 | 0.120000 |
illicit_145 | 0.224490 | 0.111111 | 0.022727 | 0.102041 | 0.130435 | 0.586957 | 0.111111 | 0.362069 | 0.068493 | 0.381818 | 0.040816 | 0.043478 | 0.408163 | 0.060000 |
illicit_172 | 0.419355 | 0.096774 | 0.035714 | 0.085714 | 0.125000 | 0.187500 | 0.096774 | 0.105263 | 0.033333 | 0.111111 | 0.029412 | 0.032258 | 0.127660 | 0.027778 |
illicit_200 | 0.098361 | 0.055556 | 0.040000 | 0.051724 | 0.053571 | 0.333333 | 0.055556 | 0.592593 | 0.062500 | 0.317460 | 0.074074 | 0.100000 | 0.357143 | 0.052632 |
%matplotlib notebook
mask = np.zeros_like(df_lsim)
mask[np.triu_indices_from(mask)] = False
sns.set_context("paper", font_scale = 1)
with sns.axes_style("ticks"):
ax = sns.heatmap(df_lsim, mask = mask, center = 0.3, cmap="RdBu_r")
%matplotlib notebook
sns.set_context("paper", font_scale = 0.5)
with sns.axes_style("ticks"):
ax = sns.heatmap(df, center = 0.5, cmap="RdBu_r", vmax = 1)