python生成热度图_Python数据可视化 热力图

不要停止奔跑，不要回顾来路，来路无可眷恋，值得期待的只有前方。——《马男波杰克》 ​​​​

一、matplotlib绘制热力图

Matplotlib是Python著名的2D绘图库，该库仿造Matlab提供了一整套相似的绘图函数，用于绘图和绘表，是强大的数据可视化工具和做图库，且绘制出的图形美观。

代码如下：

import pandas as pd

import matplotlib.pyplot as plt

import numpy as np

import matplotlib as mpl

df = pd.read_excel('real_estate_info.xlsx')

area = df['土地位置']

# 成都主要 区 县 市 9区6县4市

with open('test.txt', encoding='utf-8') as f:

areas = f.read().split('、')

for item in areas:

# 每个行政区 对每行数据都进行判断

# 土地位置里包含行政区名 值为规划建筑面积 不包含 值为0

# 得到19列 以行政区为列名 其下面值为规划建筑面积

df[item] = [eval(df.loc[x, '规划建筑面积'][:-1]) if item in df.loc[x, '土地位置'] else 0 for x in range(len(df['土地位置']))]

date = df['推出时间'].str.split('年', expand=True)[0] # 这列的字符串 按年切割

df['年份'] = date # 添加新的一列 年份

df1 = df[areas]

df1.index = df['年份']

df2 = df1.groupby('年份').sum()

# print(df2.iloc[:5, ::]) # 2020年数据只有到2月的 舍去

# print(type(df2.iloc[:5, ::].T)) # 转置

datas = np.array(df2.iloc[:5, ::].T) # 19行 5列 二维数组

print(datas)

x_label = [year for year in range(2015, 2020)]

y_label = areas

mpl.rcParams['font.family'] = 'Kaiti' # 中文显示

fig, ax = plt.subplots(figsize=(15, 9)) # 绘图

heatmap = plt.pcolor(datas)

for y in range(datas.shape[0]):

for x in range(datas.shape[1]):

plt.text(x + 0.5, y + 0.5, '%.1f' % datas[y, x], # 热力图种每个格子添加文本 数据项设置

horizontalalignment='center', verticalalignment='center',

)

# x y轴刻度设置

plt.xticks(np.arange(0.5, 5.5, 1))

plt.yticks(np.arange(0.5, 19.5, 1))

# x y轴标签设置

ax.set_xticklabels(x_label)

ax.set_yticklabels(areas)

# title

ax.set_title(r'各行政区2015-2019年的总规划建筑面积(平方米)', fontsize=25, x=0.5, y=1.02)

# 隐藏边框

ax.spines['top'].set_visible(False)

ax.spines['right'].set_visible(False)

ax.spines['left'].set_visible(False)

ax.spines['bottom'].set_visible(False)

plt.savefig('heat_map.png')

# 热力图 展示

plt.colorbar(heatmap)

plt.show()

运行效果如下：

matplotlib绘制heatmap，该方法比较繁琐，要调用很多辅助函数才能实现效果更好的热图。

二、seaborn绘制热力图

Seaborn是基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

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):

data：矩阵数据集，可以是numpy的数组(ndarray)，也可以是pandas的DataFrame。如果是DataFrame，则df的index/column信息会对应到heatmap上，即df.index对应到热力图的x轴，df.columns对应到热力图的y轴

vmax，vmin：分别是热力图的颜色取值最大和最小范围，默认是根据data数据表里的取值确定

center：数据表取值有差异时，设置热力图的色彩中心对齐值；通过设置center值，可以调整生成的图像颜色的整体深浅

robust：默认取值False；如果是True，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定

annot(annotate的缩写)：默认取值False；如果为True，在热力图每个方格写入对应的数据

fmt：字符串格式代码，矩阵上标识数字的数据格式，比如保留小数点后几位数字

annot_kws：默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体

linewidths：定义热力图里表示两两特征关系的矩阵小块之间的间隔大小

linecolor：切分热力图上每个矩阵小块的线的颜色，默认值是 white

xticklabels,，yticklabels：xticklabels控制x轴标签的输出；yticklabels控制y轴标签的输出。默认值是auto，如果是True，则以DataFrame的index作为x轴标签、columns作为y轴的标签。如果是False，则不添加行标签名。如果是列表，则标签名改为列表中给的内容。如果是整数K，则在图上每隔K个标签进行一次标注。 如果是auto，则自动选择标签的标注间距，将标签名不重叠的部分(或全部)输出

mask：控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉

ax：设置作图的坐标轴，一般画多个子图时需要修改不同子图的该值

**kwargs：All other keyword arguments are passed to ax.pcolormesh

cbar：是否在热力图侧边绘制颜色刻度条，默认值是True

cbar_kws：热力图侧边绘制颜色刻度条时，相关字体设置，默认值是None

cbar_ax：热力图侧边绘制颜色刻度条时，刻度条位置设置，默认值是None

cmap:从数字到色彩空间的映射

cmap：从数字到色彩空间的映射，改变cmap参数可以改变图的颜色，cmap有以下选择：

Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens,Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r,

PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cividis, cividis_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spring, spring_r, summer, summer_r, tab10, tab10_r, tab20, tab20_r, tab20b, tab20b_r, tab20c, tab20c_r, terrain, terrain_r, twilight, twilight_r, twilight_shifted, twilight_shifted_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r

代码如下：

import matplotlib.pyplot as plt

import numpy as np

import seaborn as sns

import pandas as pd

import matplotlib as mpl

df = pd.read_excel('real_estate_info.xlsx')

area = df['土地位置']

# 成都主要 区 县 市 9区6县4市

with open('test.txt', encoding='utf-8') as f:

areas = f.read().split('、')

for item in areas:

# 每个行政区 对每行数据都进行判断

# 土地位置里包含行政区名 值为规划建筑面积 不包含 值为0

# 得到19列 以行政区为列名 其下面为规划建筑面积

df[item] = [eval(df.loc[x, '规划建筑面积'][:-1]) if item in df.loc[x, '土地位置'] else 0 for x in range(len(df['土地位置']))]

date = df['推出时间'].str.split('年', expand=True)[0] # 这列的字符串 按年切割

df['年份'] = date # 添加新的一列 年份

df1 = df[areas]

df1.index = df['年份']

df2 = df1.groupby('年份').sum()

# print(df2.iloc[:5, ::]) # 2020年数据只有到2月的 舍去

# print(type(df2.iloc[:5, ::].T)) # 转置

datas = np.array(df2.iloc[:5, ::].T) # 19行 5列 二维数组

print(datas, type(datas))

x_label = [year for year in range(2015, 2020)]

y_label = areas

mpl.rcParams['font.family'] = 'Kaiti'

fig, ax = plt.subplots(figsize=(15, 9))

# 绘制热力图 cmap：从数字到色彩空间的映射

sns.heatmap(data=df2.iloc[:5, ::].T, linewidths=0.25,

linecolor='black', ax=ax, annot=True,

fmt='.1f', cmap='OrRd', robust=True,

)

# 添加描述信息 x y轴 title

ax.set_xlabel('年份', fontdict={'size': 18, 'weight': 'bold'})

ax.set_ylabel('行政区', fontdict={'size': 18, 'weight': 'bold'})

ax.set_title(r'各行政区2015-2019年的总规划建筑面积(平方米)', fontsize=25, x=0.5, y=1.02)

# 隐藏边框

ax.spines['top'].set_visible(False)

ax.spines['right'].set_visible(False)

ax.spines['left'].set_visible(False)

ax.spines['bottom'].set_visible(False)

# 保存 展示图片

plt.savefig('heat_map.png')

plt.show()

运行效果如下：

改变cmap参数，得到不同的效果：