在數(shù)據(jù)可視化的世界里，熱力圖一直是展現(xiàn)矩陣數(shù)據(jù)分布的強(qiáng)大工具。它能讓枯燥的數(shù)值瞬間變得生動(dòng)形象，幫助我們快速捕捉數(shù)據(jù)中的模式、異常和趨勢(shì)。今天，我要分享一種別具一格的熱力圖繪制方式 ——方塊大小與顏色雙變量可視化，通過 Python 代碼實(shí)現(xiàn)一個(gè)既美觀又信息豐富的可視化作品。如果你曾為如何讓數(shù)據(jù) “活起來” 而煩惱，這篇文章一定會(huì)給你帶來新的靈感！

為什么選擇這種熱力圖？

傳統(tǒng)熱力圖通常只通過顏色深淺來表達(dá)數(shù)值大小，而我們今天要實(shí)現(xiàn)的版本增加了一個(gè)維度 ——方塊面積。這種雙變量可視化的優(yōu)勢(shì)在于：

• 顏色感知更直觀：人類視覺對(duì)顏色的敏感度極高，不同色調(diào)能快速傳遞數(shù)值層級(jí)
• 面積大小強(qiáng)化差異：當(dāng)數(shù)值差異較大時(shí)，面積變化比顏色變化更具沖擊力
• 信息密度更高：在有限空間內(nèi)展示更多維度的數(shù)據(jù)特征

這種可視化方式特別適合：

• 特征重要性分析（如機(jī)器學(xué)習(xí)模型的特征權(quán)重）
• 二維數(shù)據(jù)分布展示（如用戶行為矩陣、市場(chǎng)份額分析）
• 數(shù)據(jù)對(duì)比場(chǎng)景（如不同條件下的指標(biāo)對(duì)比）

代碼實(shí)現(xiàn)：從 0 到 1 的可視化之旅

先來看完整代碼，我們將逐步拆解每一個(gè)神奇的步驟：

import numpy as np
import matplotlib.pyplot as plt
 
# 隨機(jī)生成一個(gè) 10x10 的矩陣，值域在 0 到 1 之間
np.random.seed(0)
data = np.random.rand(10, 10)
 
fig, ax = plt.subplots(figsize=(8, 6))
 
# 創(chuàng)建顏色映射（使用 colormap）
cmap = plt.cm.RdYlGn
norm = plt.Normalize(vmin=0, vmax=1)
 
# 繪制方塊
for i in range(data.shape[0]):
    for j in range(data.shape[1]):
        value = data[i, j]
        color = cmap(norm(value))
        size = value * 900  # 控制面積大?。ㄗ畲?900）
 
        # 使用 scatter 繪制方塊
        ax.scatter(j + 1, 10 - i, s=size, c=[color], marker='s', edgecolor='black')
 
# 設(shè)置坐標(biāo)軸
ax.set_xticks(np.arange(1, 11))
ax.set_yticks(np.arange(1, 11))
ax.set_xticklabels(np.arange(1, 11))
ax.set_yticklabels(np.arange(1, 11))
ax.set_xlabel("K (w)", fontsize=12)
ax.set_ylabel("Samples", fontsize=12)
 
# 添加標(biāo)題
ax.set_title("Square Heatmap Plot", fontsize=14, fontweight='bold')
 
# 添加顏色條
sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])
cbar = plt.colorbar(sm, ax=ax)
cbar.set_label("")
 
# 添加網(wǎng)格線模擬邊框
ax.set_xlim(0.5, 10.5)
ax.set_ylim(0.5, 10.5)
ax.set_xticks(np.arange(0.5, 11.5, 1), minor=True)
ax.set_yticks(np.arange(0.5, 11.5, 1), minor=True)
ax.grid(which='minor', color='black', linewidth=1)
ax.tick_params(which='minor', length=0)
 
plt.tight_layout()
plt.show()

效果如下

核心組件拆解：每一行代碼都在做什么？

1. 數(shù)據(jù)準(zhǔn)備：打造可視化的基石

np.random.seed(0)
data = np.random.rand(10, 10)

np.random.seed(0) 是為了保證結(jié)果可復(fù)現(xiàn)，就像給隨機(jī)數(shù)生成器設(shè)定一個(gè) “起點(diǎn)”，這樣別人運(yùn)行代碼時(shí)能得到和你一樣的數(shù)據(jù)～

np.random.rand(10, 10) 生成一個(gè) 10x10 的隨機(jī)矩陣，數(shù)值范圍在 0 到 1 之間。這里就是替換自己數(shù)據(jù)的關(guān)鍵位置！你可以：

• 從文件讀取數(shù)據(jù)：data = np.loadtxt('your_data.csv', delimiter=',')
• 加載已有的 numpy 數(shù)組：data = np.array(your_custom_data)
• 甚至手動(dòng)定義矩陣：data = np.array([[0.1, 0.5], [0.8, 0.3]])

提示： 如果你的數(shù)據(jù)值域不在 0-1 之間，后續(xù)的顏色映射和大小計(jì)算需要相應(yīng)調(diào)整哦～

2. 畫布搭建：準(zhǔn)備好展示數(shù)據(jù)的舞臺(tái)

fig, ax = plt.subplots(figsize=(8, 6))

plt.subplots() 創(chuàng)建一個(gè) Figure 對(duì)象和一個(gè) Axes 對(duì)象，這是 Matplotlib 繪圖的標(biāo)準(zhǔn)流程～

figsize=(8, 6) 設(shè)置畫布大小為 8 英寸寬、6 英寸高，你可以根據(jù)數(shù)據(jù)量調(diào)整這個(gè)參數(shù)，比如數(shù)據(jù)是 20x20 的，可以設(shè)為 (10,10) 讓每個(gè)方塊更清晰。

3. 顏色系統(tǒng)：讓數(shù)據(jù)穿上絢麗的外衣

cmap = plt.cm.RdYlGn
norm = plt.Normalize(vmin=0, vmax=1)

cmap = plt.cm.RdYlGn 選擇了一個(gè)從紅色到黃色再到綠色的顏色映射，數(shù)值小的地方顯示紅色，數(shù)值大的地方顯示綠色，中間過渡自然～

你可以換成其他顏色映射：

• plt.cm.viridis（藍(lán)綠黃漸變，適合連續(xù)數(shù)據(jù)）
• plt.cm.coolwarm（藍(lán)紅漸變，適合正負(fù)值對(duì)比）
• plt.cm.Blues（單色系藍(lán)色，適合單一趨勢(shì)數(shù)據(jù)）

norm = plt.Normalize(vmin=0, vmax=1) 定義了數(shù)值到顏色的映射規(guī)則，將數(shù)據(jù)范圍歸一化到 0-1，這樣顏色變化能準(zhǔn)確反映數(shù)值差異。如果你的數(shù)據(jù)值域是 5-100，這里要改成vmin=5, vmax=100哦！

4. 方塊繪制：數(shù)據(jù)可視化的核心邏輯

for i in range(data.shape[0]):
    for j in range(data.shape[1]):
        value = data[i, j]
        color = cmap(norm(value))
        size = value * 900  # 控制面積大?。ㄗ畲?900）
 
        ax.scatter(j + 1, 10 - i, s=size, c=[color], marker='s', edgecolor='black')

這部分是代碼的靈魂！我們通過雙重循環(huán)遍歷矩陣的每個(gè)元素：

value = data[i, j] 取出當(dāng)前位置的數(shù)值

color = cmap(norm(value)) 將數(shù)值轉(zhuǎn)換為對(duì)應(yīng)的顏色，這里用到了前面定義的顏色映射和歸一化規(guī)則

size = value * 900 計(jì)算方塊面積，數(shù)值越大方塊越大。這里的 900 是一個(gè)縮放因子，你可以調(diào)整它來控制方塊的大小范圍，比如改成 500 讓方塊更小，或者 1500 讓差異更明顯～

ax.scatter(...) 是繪制方塊的關(guān)鍵函數(shù)：

• j + 1, 10 - i 是方塊的坐標(biāo)，注意這里10 - i是為了讓 y 軸從上到下遞增，符合矩陣的行列索引習(xí)慣
• s=size 控制面積大小
• c=[color] 設(shè)置顏色，注意用列表包裹顏色值
• marker='s' 將散點(diǎn)形狀設(shè)為正方形（square），也可以換成'o'圓形、'^'三角形等
• edgecolor='black' 添加黑色邊框，讓每個(gè)方塊更清晰可辨

5. 細(xì)節(jié)優(yōu)化：讓圖表更專業(yè)美觀

# 設(shè)置坐標(biāo)軸
ax.set_xticks(np.arange(1, 11))
ax.set_yticks(np.arange(1, 11))
ax.set_xticklabels(np.arange(1, 11))
ax.set_yticklabels(np.arange(1, 11))
ax.set_xlabel("K (w)", fontsize=12)
ax.set_ylabel("Samples", fontsize=12)
 
# 添加標(biāo)題
ax.set_title("Square Heatmap Plot", fontsize=14, fontweight='bold')
 
# 添加顏色條
sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])
cbar = plt.colorbar(sm, ax=ax)
cbar.set_label("")
 
# 添加網(wǎng)格線模擬邊框
ax.set_xlim(0.5, 10.5)
ax.set_ylim(0.5, 10.5)
ax.set_xticks(np.arange(0.5, 11.5, 1), minor=True)
ax.set_yticks(np.arange(0.5, 11.5, 1), minor=True)
ax.grid(which='minor', color='black', linewidth=1)
ax.tick_params(which='minor', length=0)

這部分是讓圖表從 “能用” 到 “精美” 的關(guān)鍵：

• 坐標(biāo)軸設(shè)置：明確 x 軸和 y 軸的刻度位置和標(biāo)簽，ax.set_xlabel和ax.set_ylabel可以換成你自己的變量名稱，比如 “時(shí)間（小時(shí)）”“用戶活躍度” 等。
• 標(biāo)題添加：ax.set_title讓圖表有一個(gè)清晰的主題，fontweight='bold'讓標(biāo)題更醒目。
• 顏色條：這是熱力圖的 “翻譯器”，告訴讀者顏色對(duì)應(yīng)的數(shù)值范圍。sm.set_array([])是一個(gè)小技巧，用于初始化顏色映射對(duì)象。
• 網(wǎng)格線與邊框：這里用了一個(gè)巧妙的方法 —— 通過設(shè)置次要刻度（minor ticks）并繪制網(wǎng)格線，模擬出每個(gè)方塊的邊框。ax.set_xlim(0.5, 10.5)將坐標(biāo)軸范圍擴(kuò)展到 0.5-10.5，這樣 10x10 的矩陣剛好占據(jù)整個(gè)區(qū)域，網(wǎng)格線就像一個(gè)個(gè)小格子～

自定義你的可視化：從模仿到創(chuàng)新

1. 替換成你自己的數(shù)據(jù)

正如前面提到的，數(shù)據(jù)生成部分是最容易替換的地方。假設(shè)你有一個(gè)從 Excel 中導(dǎo)出的 15x15 的用戶行為數(shù)據(jù)矩陣，路徑為user_behavior.csv，你可以這樣做：

# 從CSV文件讀取數(shù)據(jù)
data = np.loadtxt('user_behavior.csv', delimiter=',')
 
# 或者使用pandas讀?。ǜ`活）
import pandas as pd
data = pd.read_csv('user_behavior.csv').values

如果你的數(shù)據(jù)值域不是 0-1，比如是 10-100，需要調(diào)整顏色映射和大小計(jì)算： 

# 假設(shè)數(shù)據(jù)值域是10-100
vmin, vmax = 10, 100
norm = plt.Normalize(vmin=vmin, vmax=vmax)
size = (value - vmin) / (vmax - vmin) * 900  # 歸一化后計(jì)算大小

2. 調(diào)整顏色映射和視覺效果

如果你不喜歡 RdYlGn 顏色映射，可以嘗試其他方案：

# 冷色調(diào)到暖色調(diào)（適合顯示數(shù)值遞增趨勢(shì)）
cmap = plt.cm.Blues
# 紅黃色調(diào)（適合突出高數(shù)值區(qū)域）
cmap = plt.cm.OrRd
# 彩虹色調(diào)（適合展示復(fù)雜模式）
cmap = plt.cm.rainbow

3. 優(yōu)化大數(shù)據(jù)量場(chǎng)景

如果你的數(shù)據(jù)是 100x100 的大矩陣，直接繪制可能會(huì)顯得擁擠，這時(shí)可以：

• 調(diào)整畫布大?。篺ig, ax = plt.subplots(figsize=(12, 12))
• 減小邊框和網(wǎng)格線寬度：ax.grid(which='minor', color='black', linewidth=0.5)
• 取消邊框：ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False) ax.spines['left'].set_visible(False)

4. 添加交互功能（進(jìn)階）

如果想讓圖表更動(dòng)態(tài)，可以使用matplotlib的交互功能或結(jié)合ipywidgets：

from matplotlib.widgets import Slider
 
# 創(chuàng)建滑塊來調(diào)整大小縮放因子
ax_slider = plt.axes([0.25, 0.02, 0.65, 0.03])
slider = Slider(ax_slider, 'Size Scale', 100, 2000, valinit=900)
 
def update(val):
    scale = slider.val
    for i in range(data.shape[0]):
        for j in range(data.shape[1]):
            value = data[i, j]
            size = value * scale
            # 這里需要先清除之前的散點(diǎn)，再重新繪制
            # 由于scatter返回的是PathCollection對(duì)象，可以保存后更新
    fig.canvas.draw_idle()
 
slider.on_changed(update)

應(yīng)用場(chǎng)景：讓可視化解決實(shí)際問題

這種雙變量熱力圖在實(shí)際場(chǎng)景中能做什么？舉幾個(gè)栗子：

1. 機(jī)器學(xué)習(xí)特征重要性可視化

假設(shè)你訓(xùn)練了一個(gè)隨機(jī)森林模型，想展示各特征的重要性：

# 假設(shè)feature_importances是形狀為(20,)的數(shù)組
data = feature_importances.reshape(4, 5)  # 調(diào)整為4x5的矩陣便于可視化

2. 市場(chǎng)份額分析

展示不同地區(qū)、不同產(chǎn)品的市場(chǎng)占有率：

# 行：地區(qū)（華北、華東、華南、西北、西南）
# 列：產(chǎn)品（A、B、C、D）
data = np.array([
    [0.35, 0.25, 0.15, 0.25],
    [0.28, 0.32, 0.18, 0.22],
    [0.40, 0.20, 0.15, 0.25],
    [0.22, 0.30, 0.25, 0.23],
    [0.25, 0.25, 0.30, 0.20]
])

3. 圖像像素強(qiáng)度可視化

將灰度圖像轉(zhuǎn)換為熱力圖展示：

from skimage import data
import matplotlib.pyplot as plt
 
# 加載示例圖像
image = data.camera()
# 歸一化到0-1
data = image / 255.0

注意事項(xiàng)：避坑指南

方塊重疊問題：當(dāng)數(shù)值差異很大時(shí)，大的方塊可能會(huì)覆蓋小的方塊?？梢酝ㄟ^調(diào)整size的縮放因子或添加透明度來解決：

ax.scatter(..., alpha=0.8)  # 添加透明度

坐標(biāo)軸標(biāo)簽旋轉(zhuǎn)：當(dāng) x 軸標(biāo)簽較多時(shí)，可能會(huì)重疊，可以旋轉(zhuǎn)標(biāo)簽： 

ax.set_xticklabels(np.arange(1, 11), rotation=45, ha='right')

性能問題：處理超大矩陣（如 1000x1000）時(shí)，雙重循環(huán)會(huì)很慢?？梢愿挠胮colormesh結(jié)合PatchCollection優(yōu)化，但需要重寫繪制邏輯～

顏色對(duì)比度：選擇顏色映射時(shí)要考慮色盲友好性，plt.cm.viridis是一個(gè)不錯(cuò)的選擇，或者使用seaborn的調(diào)色板：

import seaborn as sns
cmap = sns.color_palette("coolwarm", as_cmap=True)

結(jié)語：讓數(shù)據(jù)開口說話

可視化的魅力在于將抽象的數(shù)字轉(zhuǎn)化為直觀的視覺信號(hào)，幫助我們理解數(shù)據(jù)背后的故事。今天分享的方塊熱力圖通過顏色和大小雙重維度，讓數(shù)據(jù)呈現(xiàn)更加立體生動(dòng)。無論是科研數(shù)據(jù)展示、商業(yè)數(shù)據(jù)分析還是日常數(shù)據(jù)探索，這種可視化方式都能為你增添一份力量～

現(xiàn)在，快試試用你自己的數(shù)據(jù)繪制吧！只需要替換data變量的定義部分，調(diào)整顏色映射和大小參數(shù)，就能得到屬于你的專屬可視化作品～

以上就是使用Python繪制動(dòng)態(tài)方塊熱力圖的詳細(xì)內(nèi)容，更多關(guān)于Python繪制熱力圖的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論