用 Python 绘制热力图（Heatmap）详解：从数据到可视化全流程（第三天）_python 热力图
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 numpy2. 数据准备
示例 1：矩阵型数据（相关性分析）
import numpy as npimport 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 snsimport 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
datacmapannotfmtlinewidthsalphas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 MinMaxScalerscaler = 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.hourpivot_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：
- 选择合适的颜色映射方案（避免彩虹色系）
- 合理设置数值标签和边框
- 注意数据标准化和异常值处理
- 结合业务场景选择矩阵 / 地理 / 时间型热力图
通过调整参数和组合其他图表类型（如折线图叠加），可以创造出更丰富的可视化效果。建议读者根据实际数据特点灵活运用。
