用 Python 绘制热力图（Heatmap）详解：从数据到可视化全流程（第三天）

葡萄味安慕希

已于 2025-04-02 21:53:53 修改

阅读量1.7k

点赞数 9

文章标签： python 开发语言

于 2025-03-26 17:44:05 首次发布

本文链接：https://blog.csdn.net/2401_84301183/article/details/146536553

版权

一、热力图的核心用途

热力图（Heatmap）是一种通过颜色深浅表示数据密度或数值大小的可视化工具，主要应用场景包括：

数据矩阵的模式识别（如相关性分析）
用户行为热点分析（如网页点击热力图）
地理区域数据分布（如疫情病例密度）
时间序列的周期性变化（如电商订单时段分布）

二、技术准备

1. 安装必要库

pip install matplotlib seaborn pandas numpy

2. 数据准备

示例 1：矩阵型数据（相关性分析）

import numpy as np
import pandas as pd

# 生成随机数据（10个样本，5个特征）
data = pd.DataFrame(np.random.rand(10,5), columns=['A','B','C','D','E'])
# 计算相关系数矩阵
corr_matrix = data.corr()
print(corr_matrix.head())

示例 2：地理型数据（区域销售数据）

geo_data = pd.DataFrame({
    '城市': ['北京','上海','广州','深圳','杭州'],
    '纬度': [39.90, 31.23, 23.13, 22.54, 30.26],
    '经度': [116.40, 121.47, 113.27, 114.05, 120.19],
    '销售额': [150, 200, 180, 220, 160]
})

三、绘制热力图的完整代码（含详细注释）

方案一：使用 Seaborn 绘制矩阵热力图

import seaborn as sns
import matplotlib.pyplot as plt

# 创建画布
plt.figure(figsize=(10,8))

# 绘制热力图
sns.heatmap(
    data=corr_matrix,         # 输入数据矩阵
    annot=True,               # 显示数值标签
    fmt=".2f",                # 数值保留两位小数
    cmap='coolwarm',          # 颜色映射方案（冷暖对比）
    linewidths=0.5,           # 分隔线宽度
    cbar_kws={'label': '相关系数'},  # 颜色条标签
    annot_kws={'fontsize':12}  # 标签字体大小
)

# 设置标题和坐标轴标签
plt.title('特征相关性热力图', fontsize=14)
plt.xlabel('特征', fontsize=12)
plt.ylabel('特征', fontsize=12)

# 优化布局
plt.tight_layout()

# 保存并显示
plt.savefig('correlation_heatmap.png', dpi=300)
plt.show()

方案二：使用 Matplotlib 绘制地理热力图

from mpl_toolkits.basemap import Basemap

# 创建地图投影
plt.figure(figsize=(12,8))
m = Basemap(
    projection='merc',        # 墨卡托投影
    llcrnrlat=20,            # 左下角纬度
    urcrnrlat=40,            # 右上角纬度
    llcrnrlon=100,           # 左下角经度
    urcrnrlon=130,           # 右上角经度
    resolution='l'           # 地图精度
)

# 绘制海岸线和国家边界
m.drawcoastlines()
m.drawcountries()

# 转换经纬度坐标
x, y = m(geo_data['经度'].tolist(), geo_data['纬度'].tolist())

# 绘制热力点
m.scatter(
    x, y,
    s=geo_data['销售额']*5,    # 点大小与销售额成正比
    c=geo_data['销售额'],     # 颜色映射销售额
    cmap='YlOrRd',           # 黄-红渐变
    alpha=0.6,               # 透明度
    edgecolors='w'           # 白色边框
)

# 添加颜色条
plt.colorbar(label='销售额（万元）', shrink=0.8)

# 设置标题
plt.title('中国主要城市销售额分布热力图', fontsize=14)

# 保存并显示
plt.savefig('geo_heatmap.png', dpi=300)
plt.show()

四、关键参数解读

参数名	作用说明	常用值示例
`data`	输入数据矩阵	pandas.DataFrame 或 numpy 数组
`cmap`	颜色映射方案	'coolwarm', 'viridis', 'YlOrRd'
`annot`	是否显示数值标签	True/False
`fmt`	数值显示格式	'.2f'（两位小数）
`linewidths`	单元格边框宽度	0.5-1.0
`alpha`	透明度控制（地理热力图）	0.3-0.7
`s`	点大小（地理热力图）	数值数组

五、结果解读技巧

颜色梯度分析：
- 冷色调（蓝 / 绿）表示低数值区域
- 暖色调（红 / 黄）表示高数值区域
- 中间色表示中等数值
矩阵热力图：
- 对角线元素为 1（自相关）
- 越接近 1 的数值表示正相关性越强
- 越接近 - 1 的数值表示负相关性越强
地理热力图：
- 密集区域表示业务集中
- 颜色深浅反映数值大小
- 点大小体现第三维度数据

六、常见问题处理

数据标准化：

python

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data)

处理 NaN 值：

python

data = data.fillna(0)  # 填充0值
# 或
data = data.dropna()  # 删除缺失行

调整颜色范围：

python
```
vmin=0, vmax=100  # 强制颜色范围
```

七、扩展应用

时间序列热力图：

python

# 示例：电商订单时段分布
time_data = pd.read_csv('order_data.csv', parse_dates=['order_time'])
time_data['hour'] = time_data['order_time'].dt.hour
pivot_table = time_data.pivot_table(index='hour', columns='dayofweek', aggfunc='size')
sns.heatmap(pivot_table, cmap='Blues')

用户行为热力图：

python

# 示例：网页点击热区
click_data = pd.read_csv('click_log.csv')
plt.figure(figsize=(12,8))
plt.hist2d(click_data['x'], click_data['y'], bins=50, cmap='Reds')
plt.colorbar(label='点击次数')

八、总结

热力图是数据可视化中的 "信息浓缩器"，通过颜色编码实现多维度数据的高效传达。掌握以下要点可提升图表质量：