使用预计算距离相关矩阵的Seaborn clustermap问题

Question

我是：

• （A）运行来自Seaborn文档的示例，Discovering structure in heatmap data，但是使用来自dcorlibrary的Distance Correlation，而不是 pandas.DataFrame.corr，它仅限于线性或秩 系数。在

然后我想：

• （B）使用我自己的数据使用两个数据帧执行相同的操作。在

我直接向sns.clustermap提供距离相关性，就像在文档示例中所做的那样，因为我对热图中的结构感兴趣，而不是像在this SO answer中那样使用距离相关矩阵来计算链接。我用这个excellent SO answer代码的修改创建了距离校正矩阵。在

• （A）这里没有问题

当我执行：

distcorr = lambda column1, column2: dcor.distance_correlation(column1, column2)
dcor_df= df.apply(lambda col1: df.apply(lambda col2: distcorr(col1, col2)))
sns.clustermap(dcor_df, cmap="mako",
               row_colors=network_colors, col_colors=network_colors,
               linewidths=.75, figsize=(13, 13))

我得到了我预期的结果：

• （B）在我转移到自己的数据时，我确实遇到了一些问题

对于一些背景：我有两个数据帧，两个数据帧中都有标记为A, B, ..., P的变量。变量是相同的（相同的测量值，相同的单位），但是测量值是在空间上分开的两个位置收集的，因此我的目标是分开进行分析，看看不同位置的变量是否以类似的方式（即，与热图中的相似结构）相关。在

来自第一个位置的数据存储在here。在

我执行以下代码：

^{pr2}$

我得到了期望的（平方，对称）距离相关矩阵： 我可以用sns.heatmap绘制为：

^{3}$

但是，当我试图将距离相关矩阵传递给`sns.clustermap'与：

s=sns.clustermap(rslt_1, cmap="mako", standard_scale=1, linewidths=0) 
fig = plt.gcf()
fig.set_size_inches(10, 10);

我明白了：

这对我来说很奇怪，因为我希望行和列的顺序与上面修改过的文档示例中的顺序相同。除非我出去吃午饭，错过或误解了重要的事情。在

如果我像这样通过metric='correlation'：

s=sns.clustermap(rslt_1, cmap="mako", metric='correlation', 
             standard_scale=1, linewidths=0) 
fig = plt.gcf()
fig.set_size_inches(10, 10);

我得到了一个与对角线对称的结果，如果我“注意”了这些簇，当我以表格形式与矩阵进行比较时，它们对我更有意义：

对于存储在here的第二个位置的数据，无论我是否通过metric='correlation'，我都会得到合理的结果（而且相当相似，尽管不完全相同）：

我无法解释第一个案例中的行为。我是否遗漏了什么？在

谢谢。在

PS我使用的是Windows 10电脑。 一些信息：