如何突出行和列之间的值的相似性？

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

# 创建一个示例矩阵
data = np.random.rand(10, 10)

# 绘制热图
plt.figure(figsize=(10, 8))
sns.heatmap(data, cmap='viridis')
plt.title('Heatmap of Data Similarity')
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# 创建两个示例变量
x = np.random.rand(100)
y = x + np.random.normal(0, 0.1, 100)

# 绘制散点图
plt.figure(figsize=(10, 8))
plt.scatter(x, y)
plt.title('Scatter Plot of Data Similarity')
plt.xlabel('Variable X')
plt.ylabel('Variable Y')
plt.show()

import pandas as pd

# 创建一个示例数据集
data = {
    'Feature1': np.random.rand(100),
    'Feature2': np.random.rand(100),
    'Feature3': np.random.rand(100)
}
df = pd.DataFrame(data)

# 计算相关性矩阵
correlation_matrix = df.corr()

# 打印相关性矩阵
print(correlation_matrix)

from sklearn.cluster import KMeans
import numpy as np

# 创建一个示例数据集
data = np.random.rand(100, 2)

# 使用K-means进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(data)

# 获取聚类结果
labels = kmeans.labels_

# 打印聚类结果
print(labels)

from sklearn.decomposition import PCA
import numpy as np

# 创建一个示例数据集
data = np.random.rand(100, 10)

# 使用PCA进行降维
pca = PCA(n_components=2)
reduced_data = pca.fit_transform(data)

# 打印降维后的数据
print(reduced_data)