熱力圖，是一種通過(guò)對(duì)色塊著色來(lái)顯示數(shù)據(jù)的統(tǒng)計(jì)圖表。
它通過(guò)使用顏色編碼來(lái)表示數(shù)據(jù)的值，并在二維平面上呈現(xiàn)出來(lái)。
熱力圖通常用于顯示大量數(shù)據(jù)點(diǎn)的密度、熱點(diǎn)區(qū)域和趨勢(shì)。

繪圖時(shí)，一般較大的值由較深的顏色表示，較小的值由較淺的顏色表示；較大的值由偏暖的顏色表示，較小的值由較冷的顏色表示，等等。

熱力圖適合用于查看總體的情況、發(fā)現(xiàn)異常值、顯示多個(gè)變量之間的差異，以及檢測(cè)它們之間是否存在任何相關(guān)性。

1. 主要元素

熱力圖的主要元素如下：

• 矩形塊：每個(gè)矩形塊都有一個(gè)對(duì)應(yīng)的位置。表示某種屬性、頻率、密度等。
• 顏色映射：通常使用漸變色帶來(lái)表示數(shù)值的大小或密度。常見(jiàn)的顏色映射包括從冷色調(diào)（如藍(lán)色）到熱色調(diào)（如紅色）的漸變，表示數(shù)值從低到高的變化。
• 熱力密度：通過(guò)顏色的深淺來(lái)表示數(shù)據(jù)的密度或頻率。較淺的顏色表示較低的密度或頻率，而較深的顏色表示較高的密度或頻率。
• 坐標(biāo)軸：熱力圖通常在二維平面上顯示，因此會(huì)有兩個(gè)坐標(biāo)軸，分別表示水平和垂直方向上的位置。

2. 適用的場(chǎng)景

熱力圖適用于以下分析場(chǎng)景：

• 數(shù)據(jù)密度分析：顯示數(shù)據(jù)點(diǎn)的密度分布情況。它可以幫助用戶觀察數(shù)據(jù)的聚集區(qū)域和稀疏區(qū)域，從而揭示數(shù)據(jù)的分布模式和趨勢(shì)。
• 熱點(diǎn)區(qū)域識(shí)別：識(shí)別數(shù)據(jù)中的熱點(diǎn)區(qū)域，即數(shù)據(jù)密度較高的區(qū)域。對(duì)于發(fā)現(xiàn)熱門地區(qū)、熱門產(chǎn)品或熱門事件等具有重要意義。
• 趨勢(shì)分析：通過(guò)觀察顏色的變化，可以分析數(shù)據(jù)在不同區(qū)域或時(shí)間段的變化趨勢(shì)。
• 空間數(shù)據(jù)分析：在地理信息系統(tǒng)（GIS）和位置數(shù)據(jù)分析中，可以顯示地理空間上的數(shù)據(jù)分布和密度，幫助用戶理解地理區(qū)域的特征和差異。
• 網(wǎng)站流量分析：顯示用戶在網(wǎng)頁(yè)上的點(diǎn)擊熱度和瀏覽熱度。這有助于優(yōu)化網(wǎng)站布局、改進(jìn)用戶體驗(yàn)和提高轉(zhuǎn)化率。

3. 不適用的場(chǎng)景

熱力圖在以下分析場(chǎng)景中可能不適用：

• 無(wú)序數(shù)據(jù)：對(duì)于無(wú)序的數(shù)據(jù)，熱力圖可能無(wú)法提供有意義的分析結(jié)果。
• 數(shù)據(jù)缺失：如果數(shù)據(jù)中存在大量缺失值或空白區(qū)域，可能無(wú)法準(zhǔn)確地反映數(shù)據(jù)的密度和分布情況。
• 多個(gè)并行路徑：通常用于展示單一維度的數(shù)據(jù)分布情況。如果需要同時(shí)比較多個(gè)維度或路徑的數(shù)據(jù)，熱力圖可能不是最合適的選擇。

4. 分析實(shí)戰(zhàn)

本次分析今年上半年南京主要的幾個(gè)區(qū)二手房的成交數(shù)量情況。

4.1. 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)自鏈家網(wǎng)南京地區(qū)的二手房成交的頁(yè)面。
整理好的數(shù)據(jù)可以從下面的地址下載：https://databook.top/lianjia/nj

各個(gè)區(qū)的二手房交易數(shù)據(jù)已經(jīng)整理成csv格式。

import os
df_dict = {}
#數(shù)據(jù)解壓的地址
fp = "d:/share/data/南京二手房交易"
for f in os.listdir(fp):
    df = pd.read_csv(os.path.join(fp, f))
    df_dict[f] = df
df_dict  #合并所有區(qū)的數(shù)據(jù)

4.2. 數(shù)據(jù)清理

清理數(shù)據(jù)的主要幾個(gè)步驟：

• 把dealDate列轉(zhuǎn)換為 日期（datetime）格式
• 按周統(tǒng)計(jì)的交易數(shù)量
• 統(tǒng)計(jì)結(jié)果保存到新的字典中（df_stat），取日期最近的10條

df_stat = {}
for k, df in df_dict.items():
    df["dealDate"] = pd.to_datetime(df["dealDate"])
    # 最近10周的交易量
    week_sum = df.resample("W", on="dealDate").name.count()
    week_sum = week_sum.sort_index(ascending=False)
    df_stat[k.replace(".csv", "")] = week_sum.head(10)
df_stat

4.3. 分析結(jié)果可視化

更加各個(gè)區(qū)的成交數(shù)量繪制最近10周的交易熱力圖。

x_labels = []
y_labels = df_stat.keys() # Y周的標(biāo)簽
data = []
for _, v in df_stat.items():
    if len(x_labels) == 0: # X軸的日期標(biāo)簽
        x_labels = v.index.strftime("%Y-%m-%d").tolist()
        x_labels.reverse()
    v = v.sort_index()
    data.append(v.tolist())
plt.xticks(ticks=np.arange(len(x_labels)), 
           labels=x_labels,
           rotation=45)
plt.yticks(ticks=np.arange(len(y_labels)), 
           labels=y_labels)
plt.imshow(data, cmap=plt.cm.hot_r)
plt.colorbar()
plt.show()

從熱力圖中可以看出，江寧區(qū)和浦口區(qū)的成交數(shù)量明顯多于其他區(qū)，尤其是江寧區(qū)。
其次是鼓樓區(qū)和秦淮區(qū)稍好一些（可能和這2個(gè)區(qū)學(xué)區(qū)房比較多有關(guān)），而溧水區(qū)和六合區(qū)明顯交易量不行。

以上就是python中使用matplotlib繪制熱力圖的詳細(xì)內(nèi)容，更多關(guān)于python matplotlib熱力圖的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論