Python制作热力图的详细代码
引言
想象一下，你的数据不再是冰冷的数字表格，而是一幅充满生命力的彩色画卷——每个数字都有了自己的颜色，数据的高低起伏一目了然。
热力图，正是这种让数据“看得见”的强大工具。它通过颜色的深浅变化来展示数据的分布和大小关系，能让我们直观地发现数据中的热点区域、异常点和潜在模式，特别适合展示相关性矩阵、地理分布或时间序列数据。
1 工具准备：为数据上色
在Python的世界里，制作热力图主要靠三个强大工具：Matplotlib、Seaborn和Pyecharts。它们各有特色，像不同画风的画家，都能帮你把数据变成美丽的图画。
安装这些工具非常简单。打开你的终端或命令行窗口，输入以下命令：
|
pipinstallmatplotlib seaborn pandas numpy pyecharts
|
这行命令会帮你安装绘图所需的全部核心库。其中，Pandas负责高效读取和处理数据，就像一位数据管家；而NumPy则擅长处理多维数组，为热力图提供“颜料”。
2 数据读取：从文件到代码
学会了调色，接下来我们要获取“颜料”——数据。通常，数据会以文件的形式存在，最常见的是CSV或Excel格式。下面是用Pandas读取它们的方法：
|
importpandas as pd
# 读取CSV文件
df_csv=pd.read_csv('your_data.csv')
# 读取Excel文件
df_excel=pd.read_excel('your_data.xlsx', sheet_name='Sheet1')
|
如果你的数据是制表符分隔的TSV文件，还可以使用pd.read_csv('file.tsv', sep='\t')。
在实际操作中，数据往往不会“完全听话”。这时你需要先进行一些简单的预处理，比如用df.head()查看前几行数据，用df.info()了解数据的基本情况，或用df.dropna()删除包含缺失值的行。
3 三种画法：热力图的实现方法
工具箱已经准备就绪，现在来学习三种主要的绘制方法。
基础方法：使用Matplotlib绘制
Matplotlib是Python绘图的基础库，就像画画用的铅笔和直尺。它提供了绘制热力图的核心功能。
|
importmatplotlib.pyplot as plt
importnumpy as np
# 生成模拟数据
data=np.random.rand(10,10) # 创建一个10行10列的随机数组
# 绘制热力图
plt.figure(figsize=(8,6)) # 设置图形大小
plt.imshow(data, cmap='viridis', interpolation='nearest')
plt.colorbar() # 添加颜色条
plt.title('Matplotlib热力图示例')
plt.show()
|
这里的关键是imshow()函数，其中cmap参数指定了颜色映射方案。尝试把'viridis'换成'hot'、'coolwarm'或'YlGnBu'，看看不同色彩带来的视觉效果。
优雅方法：使用Seaborn绘制
Seaborn基于Matplotlib，但提供了更美观、更高层次的接口，可以说是数据可视化的“美图秀秀”。
|
importseaborn as sns
# 使用Seaborn生成随机数据
data=sns.randn(100,10)
# 绘制热力图
plt.figure(figsize=(10,8))
sns.heatmap(data, annot=True, fmt=".1f", cmap='coolwarm')
plt.title('Seaborn热力图示例')
plt.show()
|
Seaborn的heatmap()函数功能非常强大：annot=True会在每个格子里显示数值；fmt=".1f"控制数值格式为保留一位小数。
交互方法：使用Pyecharts绘制
如果你的热力图需要嵌入网页，或者想要添加交互功能，Pyecharts是理想的选择。
|
frompyechartsimportoptions as opts
frompyecharts.chartsimportHeatMap
importrandom
# 生成模拟数据
data=[]
foriinrange(24):
forjinrange(7):
data.append([j, i, random.randint(0,100)])
# 创建热力图
heatmap=(
HeatMap()
.add_xaxis(['周一','周二','周三','周四','周五','周六','周日'])
.add_yaxis(
"热度",
list(range(24)),
data,
label_opts=opts.LabelOpts(is_show=False),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="一周热度分布"),
visualmap_opts=opts.VisualMapOpts(min_=0, max_=100),
)
)
heatmap.render("heatmap_example.html") # 保存为HTML文件
|
这个例子创建了一个交互式的网页热力图，显示一周7天、24小时的热度分布。将鼠标悬停在格子上，可以看到具体数值。
4 美化调整：让热力图更专业
掌握了基本画法后，下面来看看如何让热力图变得更专业、更易读。
优化布局与颜色
|
# 专业热力图设置示例
plt.figure(figsize=(12,10))
# 绘制热力图，添加更多参数
sns.heatmap(data,
annot=True, # 显示数值
fmt=".2f", # 数值格式
cmap='YlGnBu', # 颜色方案
linewidths=0.5, # 单元格边线宽度
linecolor='white', # 边线颜色
cbar_kws={'label':'数值大小'}) # 颜色条标签
# 优化标签显示
plt.xticks(rotation=45, ha='right') # x轴标签旋转45度
plt.yticks(rotation=0)
plt.title('优化后的热力图示例', fontsize=16, pad=20)
plt.xlabel('X轴标签')
plt.ylabel('Y轴标签')
plt.tight_layout() # 自动调整布局
plt.show()
|
调整颜色映射方案
不同的颜色映射适用于不同的数据类型：
- 顺序型数据（如温度、密度）：适合'viridis'、'plasma'、'YlOrRd'
- 发散型数据（如相关性、偏差）：适合'coolwarm'、'RdBu'、'PiYG'
- 定性/分类数据：适合'Set1'、'tab20c'、'Pastel1'
5 实战案例：电商用户行为分析
现在，让我们通过一个完整的实战案例，将前面学到的知识融会贯通。假设我们有一份电商平台的用户点击数据，想要分析用户在不同时间对不同页面的访问热度。
第一步：数据准备与读取
|
importpandas as pd
# 读取数据（假设是CSV格式）
df=pd.read_csv('user_clicks.csv')
# 查看数据前几行
print(df.head())
# 查看数据基本信息
print(df.info())
|
第二步：数据处理与转换
我们需要将原始数据转换为适合绘制热力图的格式：
|
# 提取需要的数据列（假设数据包含time, page_url, clicks等列）
clicks_by_time_page=df.groupby(['hour','page_url'])['clicks'].sum().reset_index()
# 数据透视：将长格式转换为宽格式
heatmap_data=clicks_by_time_page.pivot(index='page_url', columns='hour', values='clicks')
# 标准化处理（可选，使颜色对比更明显）
heatmap_data_normalized=(heatmap_data-heatmap_data.min())/(heatmap_data.max()-heatmap_data.min())
|
第三步：绘制热力图
|
importseaborn as sns
importmatplotlib.pyplot as plt
# 设置中文字体（如果需要显示中文）
plt.rcParams['font.sans-serif']=['SimHei','Arial']
plt.rcParams['axes.unicode_minus']=False
# 创建热力图
plt.figure(figsize=(14,10))
sns.heatmap(heatmap_data_normalized,
cmap='YlOrRd',
annot=False, # 数据多时不显示具体数值
linewidths=0.5,
cbar_kws={'label':'标准化点击量'})
# 添加标题和标签
plt.title('电商平台用户点击热力图（按页面和时间）', fontsize=18, pad=20)
plt.xlabel('小时', fontsize=14)
plt.ylabel('页面URL', fontsize=14)
# 调整x轴刻度
hours=list(range(24))
plt.xticks(ticks=[i+0.5foriinhours], labels=hours, rotation=0)
plt.tight_layout()
plt.savefig('user_clicks_heatmap.png', dpi=300, bbox_inches='tight')
plt.show()
|
第四步：热力图解读
通过观察生成的热力图，我们可以得出一些有价值的洞察：
- 找出访问高峰期：哪些时间段用户最活跃？
- 发现热门页面：哪些页面吸引最多点击？
- 识别异常模式：是否有页面在非高峰时段也有高访问量？
- 优化内容策略：根据热度分布调整内容发布时间和位置。
如果你需要更高级的功能，如自动调整字体大小以适应数据维度，可以参考中提到的动态可视化技术。
6 高级技巧与最佳实践
掌握了基础知识后，让我们看看一些能让你的热力图更上一层楼的技巧。
三维热力图： 对于空间数据，可以创建三维热力图来展示数据在三维空间中的分布。例如，分析不同高度无人机分布，物流无人机集中在50-100米（蓝色区域），而载人飞行器分布在200-300米（红色区域）。
动态热力图： 使用Plotly或Pyecharts创建交互式热力图，允许用户缩放、悬停查看数值、筛选数据。
大数据优化： 当数据量很大时，可以采用以下优化策略：
- 使用采样：对大数据集进行适当采样
- 降低分辨率：减少热力图的单元格数量
- 选择高效颜色映射：如'viridis'比'jet'更高效
多图组合： 将热力图与其他图表结合，提供更全面的视角：
- 热力图 + 散点图：同时展示密度和个体分布
- 热力图 + 折线图：展示趋势和密度关系
- 热力图 + 条形图：对比不同类别的汇总数据
从这张基础的热力图中，我们可以清晰看到数据的高低分布。颜色的深浅变化直观地揭示了数据的热点区域和冷点区域，这正是热力图最核心的价值所在。
色彩不只是装饰，它是数据的另一种语言。当你掌握了热力图的绘制技巧，就多了一种与数据对话的方式。
这个世界上的数据，无论是网页点击、销售额变化，还是气温分布，都等待着被赋予颜色，被真正“看见”。
来源：https://www.jb51.net/python/355428hov.htm
本站大部分文章、数据、图片均来自互联网,一切版权均归源网站或源作者所有。
如果侵犯了您的权益请来信告知我们删除。邮箱：1451803763@qq.com