科研作图-heatmap(一)

1.简介
在科研中有很多地方为了可解释给审稿人提供了热图,便于知道深度学习中到底是哪部分在起作用,或者是在机器学习中分析不同的特征之间是否存在相关性?存在多大的相关性;或者是直观的展示场景热力图…总之,用处很多,我正好现在也需要用,就先总结下:绘制HeatMap的库有很多,这里只介绍两个,一个是seaborn.heatmap与pyheatmap.heatmap.
2.seaborn.heatmap使用方法

seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)

首先看一下官方给的函数,参数解释如下:

• data：矩形数据集 可以强制转换为ndarray格式数据的2维数据集。如果提供了Pandas DataFrame数据，索引/列信息将用于标记列和行。
• vmin, vmax：浮点型数据，可选参数。这代表了色彩映射的值最小最大值.
• cmap：matplotlib 颜色条名称或者对象，或者是颜色列表，可选参数。从数据值到颜色空间的映射。 如果没有提供，默认值将取决于是否设置了“center”。
• center：浮点数，可选参数。绘制有色数据时将色彩映射居中的值。 如果没有指定，则使用此参数将更改默认的cmap。
• robust：布尔值，可选参数。如果是True，并且vmin或vmax为空，则使用稳健分位数而不是极值来计算色彩映射范围。
• annot:布尔值或者矩形数据，可选参数。如果为True，则在每个热力图单元格中写入数据值。 如果数组的形状与data相同，则使用它来代替原始数据注释热力图。
• fmt：字符串，可选参数。添加注释时要使用的字符串格式代码。
• annot_kws：字典或者键值对，可选参数。当annot为True时，ax.text的关键字参数。
• linewidths：浮点数，可选参数。划分每个单元格的行的宽度。
• linecolor：颜色，可选参数.划分每个单元的线条的颜色。
• cbar：布尔值，可选参数。描述是否绘制颜色条。
• cbar_kws：字典或者键值对，可选参数。
  fig.colorbar的关键字参数。
• cbar_ax：matplotlib Axes，可选参数。用于绘制颜色条的轴，否则从主轴获取。
• square：布尔值，可选参数。如果为True，则将坐标轴方向设置为“equal”，以使每个单元格为方形。
• xticklabels, yticklabels：“auto”，布尔值，类列表值，或者整形数值，可选参数。如果为True，则绘制数据框的列名称。如果为False，则不绘制列名称。如果是列表，则将这些替代标签绘制为xticklabels。如果是整数，则使用列名称，但仅绘制每个n标签。如果是“auto”，将尝试密集绘制不重叠的标签。
• mask：布尔数组或者DataFrame数据，可选参数。如果为空值，数据将不会显示在mask为True的单元格中。 具有缺失值的单元格将自动被屏蔽。
• ax：matplotlib Axes，可选参数。绘制图的坐标轴，否则使用当前活动的坐标轴。
• kwargs：其他关键字参数。所有其他关键字参数都传递给ax.pcolormesh。
• 返回值：ax：matplotlib Axes 热力图的轴对象。

3.实例展示

import numpy as np; np.random.seed(0)
import seaborn as sns; sns.set()
uniform_data = np.random.rand(10, 12)
sns.heatmap(uniform_data)
plt.show()

更改默认的colormap范围：

import numpy as np; np.random.seed(0)
import seaborn as sns; sns.set()
uniform_data = np.random.rand(10, 12)*5
ax = sns.heatmap(uniform_data, vmin=0, vmax=5)
plt.show()

使用发散色图绘制以0为中心的数据的热力图：

import numpy as np; np.random.seed(0)
import seaborn as sns; sns.set()
uniform_data = np.random.randn(10, 12)*5
ax = sns.heatmap(uniform_data, center=0)
plt.show()

使用特定的行和列标签绘制dataframe：这里加载的seaborn自带的数据flights

import numpy as np; np.random.seed(0)
import seaborn as sns; sns.set()
flights = sns.load_dataset("flights")
flights = flights.pivot("month", "year", "passengers")#解析为纵坐标,横坐标,值
ax = sns.heatmap(flights)
plt.show()

使用整数格式的数字值注释每个小单元格：

ax = sns.heatmap(flights, annot=True, fmt="d") 

在每个单元格之间添加线：

ax = sns.heatmap(flights, linewidths=.5)

使用不同的colormap：这个就是可以换颜色,具体颜色代码看文档
ax = sns.heatmap(flights, cmap=“YlGnBu”)
绘制每个其他列标签，而不绘制行标签：

data = np.random.randn(50, 20)
ax = sns.heatmap(data, xticklabels=2, yticklabels=False)

4.总结
这一次仅简单说了seaborn.heatmap函数,后续我们将介绍在机器学习中的显示不同特征之间相关性的热力图Pyheatmap.heatmap用法及场景热力图的使用及用法.
5.参考

https://www.cntofu.com/book/172/docs/30.md
http://seaborn.pydata.org/generated/seaborn.heatmap.html
https://www.cnblogs.com/jiaxinwei/p/12015968.html