首页 > 编程笔记 > Python笔记 阅读：2

Python绘制热图的多种方法（非常详细，附带实例）

热图（Heatmap）是一种用于可视化矩阵数据的图表类型。它通过使用颜色编码来表示数据的大小或值，以便在二维空间中显示数据的模式、趋势或关联性。

热图的优点是能够直观地显示数据的模式和趋势，并帮助观察数据的关联性和相似性。它常用于分析多变量数据、基因表达数据、市场趋势分析等。

在绘制和解读热图时，需确保颜色编码的准确并合理，以避免造成误解。当矩阵数据较大时，可以使用矩阵聚类和排序方法，以便更好地展示数据的模式和关联性；当矩阵数据具有缺失值时，可以使用适当的填充或插值方法进行处理，以确保图表的完整性和可靠性。

【实例 1】利用 Pandas、Seaborn 和 Matplotlib 库对汽车数据集进行处理和可视化分析。输入如下代码： 
import pandas as pd                       # 导入 Pandas 库，用于数据处理和分析
import seaborn as sns                   # 导入 Seaborn 库，用于数据可视化
import matplotlib.pyplot as plt         # 导入 Matplotlib 库，用于绘图

# 导入数据集
df = pd.read_csv("D:/DingJB/PyData/mtcars.csv")   # 读取 mtcars.csv 的数据文件，并将数据存储在 df 中

# 删除非数值型的列
df_numeric = df.select_dtypes(include=['float64', 'int64'])   # 选择数据集中的数值型列（包括 float64 和 int64 类型），并存储在 df_numeric 中

# 绘制热力图，显示数值型列之间的相关性，使用“viridis”颜色映射，将相关性系数标注在图上
plt.figure(figsize=(10, 5), dpi=200)   # 创建图形对象
sns.heatmap(df_numeric.corr(),
            xticklabels=df_numeric.corr().columns,
            yticklabels=df_numeric.corr().columns,
            cmap='viridis', center=0, annot=True)   # 使用 Seaborn 绘制热力图

# 添加修饰
plt.title('correlogram of mtcars', fontsize=18)    # 设置图形标题
plt.xticks(fontsize=12)                            # 设置 X 轴标签的字体大小为 12
plt.yticks(fontsize=12, rotation=0)                # 设置 Y 轴标签的字体大小为 12
plt.show()
上述代码首先导入数据集并删除了非数值型列，然后利用 Seaborn 的 heatmap() 函数绘制了数值型列之间的相关性热力图，使用了 'viridis' 颜色映射，并标注了相关性系数。最后，通过 Matplotlib 添加了一些修饰，包括设置图形标题和调整标签字体大小。输出的结果如下图所示：


【实例 2】使用 Seaborn 库绘制聚类热图，展示脑网络之间的相关性，并使用分类调色板来标识不同的网络。输入如下代码： 
import pandas as pd
import seaborn as sns
sns.set_theme()

# 加载示例数据集
df = sns.load_dataset("brain_networks", header=[0, 1, 2], index_col=0)

# 选择网络的子集
used_networks = [1, 5, 6, 7, 8, 12, 13, 17]
used_columns = (df.columns.get_level_values("network")
                .astype(int)
                .isin(used_networks))
df = df.loc[:, used_columns]

# 创建一个分类调色板以识别网络
network_pal = sns.husl_palette(8, s=.45)
network_lut = dict(zip(map(str, used_networks), network_pal))

# 将调色板转换为向量，将在矩阵的侧面绘制
networks = df.columns.get_level_values("network")
network_colors = pd.Series(networks, index=df.columns).map(network_lut)

# 绘制完整的图形
g = sns.clustermap(df.corr(), center=0, cmap="vlag",
                   row_colors=network_colors, col_colors=network_colors,
                   dendrogram_ratio=(.1, .2),
                   cbar_pos=(.02, .32, .03, .2),
                   linewidths=.75, figsize=(12, 13))
g.ax_row_dendrogram.remove()
上述代码从示例数据集中加载了脑网络相关性数据后，选择了特定的网络子集，并根据这些网络创建了一个分类调色板。接下来，绘制了聚类热图，其中每个细胞的颜色表示对应网络之间的相关性，同时在行和列的侧面绘制了颜色条以标识不同的网络。

输出的结果如下图所示：


【实例 3】利用 mlxtend 绘制热图。输入如下代码： 
from mlxtend.plotting import heatmap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

np.random.seed(19781101)          # 固定随机数种子，以便结果可复现
some_array = np.random.random((15, 20))
heatmap(some_array, figsize=(20, 10))
plt.show()
上述代码使用了 MLxtend 库的 heatmap() 函数来绘制热力图。首先，使用 NumPy 生成了一个随机的 15×20 的二维数组 some_array，然后调用 heatmap() 函数将其可视化为热力图，并设置图形的大小为 (20,10) 。

输出的结果如下图所示：

heatmap(some_array, figsize=(15,8),cell_values=False)
plt.show()
上述代码通过将 cell_values 参数设置为 False，不显示单元格的数值。输出的结果如下图所示：


【实例 4】利用 Proplot 库绘制热图。输入如下代码： 
import proplot as pplt
import numpy as np
import pandas as pd

# 生成协方差数据
state = np.random.RandomState(51423)
# 生成 10×10 的随机数据并进行累积和运算
data = state.normal(size=(10, 10)).cumsum(axis=0)
data = (data - data.mean(axis=0)) / data.std(axis=0)   # 对数据进行标准化处理
data = (data.T @ data) / data.shape[0]                 # 计算协方差矩阵

# 将矩阵下三角部分的元素置为 NaN，使其不显示
data[np.tril_indices(data.shape[0], -1)] = np.nan

# 将数据转换为 DataFrame 格式，并设置行列索引
data = pd.DataFrame(data,
                    columns=list('abcdefghij'),
                    index=list('abcdefghij'))

# 绘制协方差矩阵热图
fig, ax = pplt.subplots(refwidth=4.5)
m = ax.heatmap(
    data, cmap='ColdHot', vmin=-1, vmax=1, N=100,
    lw=0.5, ec='k', labels=True, precision=2,
    labels_kw={'weight': 'bold'}, clip_on=False)
ax.format(
    suptitle='Heatmap demo',
    title='Table of correlation coefficients',
    xloc='top', yloc='right', yreverse=True,
    ticklabelweight='bold',
    alpha=0, linewidth=0, tickpad=4)
上述代码使用 ProPlot 库来绘制热力图。首先，生成了一个 10×10 的随机数据矩阵，并对其进行了累积和运算和标准化处理，然后计算了协方差矩阵。接下来，将矩阵下三角部分的元素置为 NaN，以便不显示。然后，将数据转换为 DataFrame 格式，并设置行列索引。最后，使用 ProPlot 库的 heatmap() 函数绘制了协方差矩阵的热力图，并设置了图形的标题、标签、颜色映射等属性。

输出的结果如下图所示：


【实例 5】利用 mlxtend.plotting 库中的 heatmap() 函数和 Matplotlib 库来绘制热图，展示房价数据集中选定特征之间的相关性。输入如下代码： 
from mlxtend.plotting import heatmap
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 加载房价数据集，并设置列名
df = pd.read_csv('D:/DingJB/PyData/housing.data.txt',
                 header=None, sep=r'\s+')
df.columns = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD',
              'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']

# 选择感兴趣的列
cols = ['LSTAT', 'INDUS', 'NOX', 'RM', 'MEDV']

# 计算所选列的相关系数矩阵
corrmat = np.corrcoef(df[cols].values.T)

# 绘制热图并指定行名和列名
fig, ax = heatmap(corrmat,
                  column_names=cols,
                  row_names=cols,
                  cmap='PiYG')

# 将颜色条范围设置为 -1 ~ 1
for im in ax.get_images():
    im.set_clim(-1, 1)

plt.show()
上述代码使用 Mlxtend 库中的 heatmap() 函数绘制了房价数据集中选定列的相关系数矩阵的热力图。首先，加载房价数据集，并设置列名。然后，选择感兴趣的列，并计算这些列的相关系数矩阵。接下来，调用 heatmap() 函数绘制热力图，并指定行名、列名和颜色映射。最后，将颜色条范围设置为 -1~1。

输出的结果如下图所示：


【实例 6】使用 Matp lotlib 库绘制热图，展示不同农场主种植的蔬菜收成量。输入如下代码： 
import matplotlib.pyplot as plt
import numpy as np

vegetables = ["cucumber", "tomato", "lettuce", "asparagus",
              "potato", "wheat", "barley"]
farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening",
           "Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."]

harvest = np.array([
    [0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
    [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
    [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
    [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
    [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
    [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
    [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]
])

fig, ax = plt.subplots(figsize=(5, 5))        # 创建图形和轴对象
im = ax.imshow(harvest)                       # 绘制热图

# 显示所有刻度，并使用对应的列表条目进行标注
ax.set_xticks(np.arange(len(farmers)))
ax.set_yticks(np.arange(len(vegetables)))
ax.set_xticklabels(farmers)
ax.set_yticklabels(vegetables)

# 旋转刻度标签并设置对齐方式
plt.setp(ax.get_xticklabels(), rotation=30, ha="right", rotation_mode="anchor")

# 循环遍历数据维度并创建文本注释
for i in range(len(vegetables)):
    for j in range(len(farmers)):
        text = ax.text(j, i, harvest[i, j], ha="center", va="center", color="w")

# 设置标题和调整布局
ax.set_title("Harvest of local farmers (in tons/year)")
fig.tight_layout()
plt.show()
上述代码创建了一个 2D 数组 harvest，包含蔬菜的收成量，通过 imshow() 函数绘制了热图，对X轴和Y轴的刻度进行了设置和标注，对刻度标签进行了旋转和对齐处理，并在热图上添加了文本注释，表示收成量。最后，设置了标题并调整了布局。

输出的结果如下图所示：

相关文章