【100天精通Python】Day68：Python可视化_Matplotlib 绘制热力图，示例+代码

1 值热力图（Value Heatmap）:

2 密度热力图（Density Heatmap）

3 时间热力图（Time Heatmap）:

4 空间热力图（Spatial Heatmap）

5 渐变热力图（Gradient Heatmap）

6 3D热力图

Matplotlib 是一个Python数据可视化库，它提供了各种绘图工具和函数，用于创建多种类型的图表，包括热力图（Heatmap）。热力图是一种用颜色来表示数据值的分布和模式的可视化方式，通常用于研究数据的相关性、密度、趋势等。

1 Matplotlib绘制热力图步骤

导入库：

在开始之前，需要导入必要的库，包括Matplotlib和NumPy。NumPy通常用于生成或处理数据。
import numpy as np

import matplotlib.pyplot as plt
准备数据：

在绘制热力图之前，需要准备数据。数据可以是二维数组或矩阵，其中每个元素表示某个位置的数值。

data = np.random.rand(10, 10) # 示例数据，可以根据需求替换为你的数据
创建热力图：

使用Matplotlib的imshow函数来创建热力图。你可以指定颜色映射（colormap），以及其他可选的参数，如图例、坐标轴标签等。
plt.imshow(data, cmap='viridis')  # 使用'viridis'颜色映射，可以根据需求选择其他颜色映射
plt.colorbar()  # 添加颜色条
plt.title('Heatmap Example')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
4 显示热力图：
使用plt.show()函数来显示生成的热力图。

这些步骤将生成一个基本的热力图，其中颜色表示数据值的大小和密度。你可以根据需要自定义图表的外观，例如调整颜色映射、添加注释、更改标签等。

此外，Matplotlib还提供了其他绘制热力图的方法，例如pcolormesh和imshow之外，你还可以使用heatmap等其他方法，以适应不同类型的数据和需求。

2 常用热力图类型

        值热力图（Value Heatmap）：用不同的颜色和亮度表示数值的大小和密度。较高的数值通常以鲜艳和明亮的颜色表示，而较低的数值则以暗淡的颜色表示。

        密度热力图（Density Heatmap）：用颜色强度表示数据点的集中程度和分布密度。较高的密度区域会显示为较深的颜色，较低的密度区域则显示为较浅的颜色。

        时间热力图（Time Heatmap）：将时间作为一个维度，用颜色的强度表示特定时间段内的某种事件或指标的变化趋势。较高的值通常以深色显示，较低的值则以浅色显示。

        空间热力图（Spatial Heatmap）：用颜色强度表示地理区域内的数据分布情况。可以按地理位置和对应的数值来绘制颜色强度的差异。

        渐变热力图（Gradient Heatmap）：通过平滑过渡的颜色渐变来表示数值或密度的变化程度。使用渐变热力图可以更好地展示数据的变化趋势和分布情况。

3 值热力图（Value Heatmap）:

值热力图通常用于表示数值大小和密度。较高的数值使用鲜艳的颜色，而较低的数值使用暗淡的颜色。

import numpy as np
import matplotlib.pyplot as plt

# 创建示例数据
data = np.random.rand(10, 10)  # 生成一个10x10的随机数据矩阵

# 创建值热力图
plt.imshow(data, cmap='YlOrRd', aspect='auto')  # 使用YlOrRd颜色映射
plt.colorbar()  # 添加颜色条
plt.title('Value Heatmap Example')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()

在这个示例中，我们执行了以下步骤：

导入必要的库，包括 NumPy 和 Matplotlib。
创建一个随机的 10x10 数据矩阵，你可以用自己的数据替代这个示例数据。
使用 imshow 函数来显示值热力图。参数 cmap 用于选择颜色映射，这里使用了 'YlOrRd' 颜色映射，但你可以根据需要选择其他颜色映射。aspect='auto' 参数用于自动调整图像的纵横比以适应数据。
使用 colorbar() 函数添加颜色条，以便查看颜色与数值之间的对应关系。
添加标题、坐标轴标签等可选的图形元素。
最后，使用 show() 函数来显示热力图。

4 密度热力图（Density Heatmap）

通常用来表示数据点的集中程度和分布密度，较高的密度区域会显示为较深的颜色，而较低的密度区域则显示为较浅的颜色。以下是一个使用 Matplotlib 创建密度热力图的示例和代码：

import numpy as np
import matplotlib.pyplot as plt

# 创建示例数据
x = np.random.randn(1000)  # 随机生成1000个数据点
y = np.random.randn(1000)

# 创建密度热力图
plt.hist2d(x, y, bins=(50, 50), cmap='Blues')
plt.colorbar()  # 添加颜色条
plt.title('Density Heatmap Example')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()

在这个示例中，我们执行了以下步骤：

导入必要的库，包括 NumPy 和 Matplotlib。
创建两个随机数据数组 x 和 y，这些数据点将用于创建密度热力图。
使用 hist2d 函数来创建密度热力图。参数 x 和 y 是数据点的坐标，bins 参数用于指定在 x 和 y 方向上的直方图箱的数量。颜色映射使用 'Blues'，你可以选择其他颜色映射。
使用 colorbar() 函数添加颜色条，以便查看颜色与密度之间的对应关系。
添加标题、坐标轴标签等可选的图形元素。
最后，使用 show() 函数来显示密度热力图。

5 时间热力图（Time Heatmap）:

时间热力图将时间作为一个维度，用颜色的强度表示特定时间段内的某种事件或指标的变化趋势。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# 创建示例数据
date_rng = pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')
data = np.random.rand(len(date_rng), 24)  # 每天24小时的随机数据

# 创建时间热力图
plt.imshow(data, cmap='YlGnBu', aspect='auto')
plt.colorbar()  # 添加颜色条
plt.title('Time Heatmap Example')
plt.xlabel('Hour of the Day')
plt.ylabel('Date')
plt.show()

6 空间热力图（Spatial Heatmap）

通常用于表示地理区域内的数据分布情况，其中颜色的强度表示数据的集中程度。

在这里，展示如何使用 Matplotlib 创建一个基本的空间热力图示例，其中我们将使用随机生成的地理坐标和值来演示。

import numpy as np
import matplotlib.pyplot as plt

# 创建示例数据
np.random.seed(0)  # 设置随机种子以确保结果可重复
num_points = 100  # 生成100个数据点
latitude = np.random.uniform(37.0, 42.0, num_points)  # 随机生成纬度坐标
longitude = np.random.uniform(-120.0, -115.0, num_points)  # 随机生成经度坐标
values = np.random.uniform(0, 1, num_points)  # 为每个点生成随机值

# 创建空间热力图
plt.scatter(longitude, latitude, c=values, cmap='viridis', s=100)
plt.colorbar(label='Value')
plt.title('Spatial Heatmap Example')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()

在这个示例中，我们执行了以下步骤：

我们使用 NumPy 生成了100个随机的地理坐标点，包括纬度（latitude）和经度（longitude）坐标。
对于每个点，我们生成了一个随机的值（在0到1之间），这将用于表示数据点的强度。
使用 plt.scatter 函数绘制散点图，其中 c 参数表示颜色，我们使用 'viridis' 颜色映射来表示数据值的不同强度。
我们添加了颜色条（colorbar）以解释颜色与数值之间的关系。
添加标题和坐标轴标签以增强图形的可读性。

7 渐变热力图（Gradient Heatmap）

渐变热力图（Gradient Heatmap）用平滑的颜色过渡来表示数值或密度的变化程度。

以下是使用 Matplotlib 创建一个简单的渐变热力图示例，其中我们将使用 NumPy 生成一个二维的数值数据并将其可视化。

import numpy as np
import matplotlib.pyplot as plt

# 创建示例数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) + np.cos(Y)  # 这里使用一个简单的二维函数作为示例数据

# 创建渐变热力图
plt.contourf(X, Y, Z, cmap='coolwarm', levels=20)
plt.colorbar(label='Value')
plt.title('Gradient Heatmap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

在这个示例中，我们执行了以下步骤：

使用 NumPy 创建了一个网格点 (X, Y)，其中 X 和 Y 分别是 x 和 y 值的网格。
我们定义了一个简单的二维函数 Z，在这个示例中，我们使用了 sin(X) + cos(Y) 作为示例函数。
使用 plt.contourf 函数创建渐变热力图。我们使用 'coolwarm' 颜色映射来表示数值变化，levels 参数指定了渐变的级别数量。
我们添加了颜色条以解释颜色与数值之间的关系。
添加了标题和坐标轴标签以提高图形的可读性。

这个示例生成了一个渐变热力图，其中颜色的渐变表示数值的变化程度。你可以将示例数据替换为你自己的二维数据，以生成符合你需求的渐变热力图。

8 3D热力图

通常使用密度分布来表示数据的三维分布。以下是一个使用Matplotlib创建3D密度热力图的示例，其中我们将使用NumPy生成数据并可视化它：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 创建示例数据
np.random.seed(0)
x = np.random.randn(1000)
y = np.random.randn(1000)

# 创建3D图形
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 创建3D密度热力图
hist, xedges, yedges = np.histogram2d(x, y, bins=40)
xpos, ypos = np.meshgrid(xedges[:-1] + 0.25, yedges[:-1] + 0.25, indexing="ij")
xpos = xpos.ravel()
ypos = ypos.ravel()
zpos = 0
dx = dy = 0.5
dz = hist.ravel()

ax.bar3d(xpos, ypos, zpos, dx, dy, dz, cmap='viridis')

# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Density')

# 显示图形
plt.show()

在这个示例中，我们执行了以下步骤：

我们使用NumPy生成了两个随机数据数组x和y，共1000个数据点，这些数据点将用于创建3D密度热力图。

创建了一个包含3D子图的图形fig。

使用histogram2d函数生成x和y的二维直方图，将数据点分成40个箱子。

使用bar3d函数在3D子图中绘制3D密度热力图。我们使用'viridis'颜色映射来表示密度的变化。

设置了坐标轴标签。

最后，使用plt.show()函数来显示3D密度热力图。

这个示例生成了一个3D密度热力图，其中颜色深度表示数据点的密度分布。你可以将示例数据替换为自己的数据，以生成符合你需求的3D密度热力图。