python热图显示圆形_Python数据可视化热图,力图

不要停止奔跑&＃xff0c;不要回顾来路&＃xff0c;来路无可眷恋&＃xff0c;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&＃xff0c;该库仿造Matlab提供了一整套相似的绘图函数&＃xff0c;用于绘图和绘表&＃xff0c;是强大的数据可视化工具和做图库&＃xff0c;且绘制出的图形美观。

代码如下&＃xff1a;

import pandas as pd

import matplotlib.pyplot as plt

import numpy as np

import matplotlib as mpl

df &＃61; pd.read_excel(&＃39;real_estate_info.xlsx&＃39;)

area &＃61; df[&＃39;土地位置&＃39;]

# 成都主要 区 县 市 9区6县4市

with open(&＃39;test.txt&＃39;, encoding&＃61;&＃39;utf-8&＃39;) as f:

areas &＃61; f.read().split(&＃39;、&＃39;)

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] &＃61; [eval(df.loc[x, &＃39;规划建筑面积&＃39;][:-1]) if item in df.loc[x, &＃39;土地位置&＃39;] else 0 for x in range(len(df[&＃39;土地位置&＃39;]))]

date &＃61; df[&＃39;推出时间&＃39;].str.split(&＃39;年&＃39;, expand&＃61;True)[0] # 这列的字符串 按年切割

df[&＃39;年份&＃39;] &＃61; date # 添加新的一列 年份

df1 &＃61; df[areas]

df1.index &＃61; df[&＃39;年份&＃39;]

df2 &＃61; df1.groupby(&＃39;年份&＃39;).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 &＃61; np.array(df2.iloc[:5, ::].T) # 19行 5列 二维数组

print(datas)

x_label &＃61; [year for year in range(2015, 2020)]

y_label &＃61; areas

mpl.rcParams[&＃39;font.family&＃39;] &＃61; &＃39;Kaiti&＃39; # 中文显示

fig, ax &＃61; plt.subplots(figsize&＃61;(15, 9)) # 绘图

heatmap &＃61; plt.pcolor(datas)

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

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

plt.text(x &＃43; 0.5, y &＃43; 0.5, &＃39;%.1f&＃39; % datas[y, x], # 热力图种每个格子添加文本 数据项设置

horizontalalignment&＃61;&＃39;center&＃39;, verticalalignment&＃61;&＃39;center&＃39;,

)

# 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&＃39;各行政区2015-2019年的总规划建筑面积(平方米)&＃39;, fontsize&＃61;25, x&＃61;0.5, y&＃61;1.02)

# 隐藏边框

ax.spines[&＃39;top&＃39;].set_visible(False)

ax.spines[&＃39;right&＃39;].set_visible(False)

ax.spines[&＃39;left&＃39;].set_visible(False)

ax.spines[&＃39;bottom&＃39;].set_visible(False)

plt.savefig(&＃39;heat_map.png&＃39;)

# 热力图 展示

plt.colorbar(heatmap)

plt.show()

运行效果如下&＃xff1a;

matplotlib绘制heatmap&＃xff0c;该方法比较繁琐&＃xff0c;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&＃xff0c;从而使得作图更加容易&＃xff0c;不需要经过大量的调整就能使你的图变得精致。

seaborn.heatmap(data, vmin&＃61;None, vmax&＃61;None, cmap&＃61;None, center&＃61;None, robust&＃61;False,

annot&＃61;None, fmt&＃61;".2g", annot_kws&＃61;None,

linewidths&＃61;0, linecolor&＃61;"white",

cbar&＃61;True, cbar_kws&＃61;None, cbar_ax&＃61;None,

square&＃61;False, xticklabels&＃61;"auto", yticklabels&＃61;"auto",

mask&＃61;None, ax&＃61;None, **kwargs):

data&＃xff1a;矩阵数据集&＃xff0c;可以是numpy的数组(ndarray)&＃xff0c;也可以是pandas的DataFrame。如果是DataFrame&＃xff0c;则df的index/column信息会对应到heatmap上&＃xff0c;即df.index对应到热力图的x轴&＃xff0c;df.columns对应到热力图的y轴

vmax&＃xff0c;vmin&＃xff1a;分别是热力图的颜色取值最大和最小范围&＃xff0c;默认是根据data数据表里的取值确定

center&＃xff1a;数据表取值有差异时&＃xff0c;设置热力图的色彩中心对齐值&＃xff1b;通过设置center值&＃xff0c;可以调整生成的图像颜色的整体深浅

robust&＃xff1a;默认取值False&＃xff1b;如果是True&＃xff0c;且没设定vmin和vmax的值&＃xff0c;热力图的颜色映射范围根据具有鲁棒性的分位数设定&＃xff0c;而不是用极值设定

annot(annotate的缩写)&＃xff1a;默认取值False&＃xff1b;如果为True&＃xff0c;在热力图每个方格写入对应的数据

fmt&＃xff1a;字符串格式代码&＃xff0c;矩阵上标识数字的数据格式&＃xff0c;比如保留小数点后几位数字

annot_kws&＃xff1a;默认取值False&＃xff1b;如果是True&＃xff0c;设置热力图矩阵上数字的大小颜色字体

linewidths&＃xff1a;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&＃xff1a;切分热力图上每个矩阵小块的线的颜色&＃xff0c;默认值是 white

xticklabels,&＃xff0c;yticklabels&＃xff1a;xticklabels控制x轴标签的输出&＃xff1b;yticklabels控制y轴标签的输出。默认值是auto&＃xff0c;如果是True&＃xff0c;则以DataFrame的index作为x轴标签、columns作为y轴的标签。如果是False&＃xff0c;则不添加行标签名。如果是列表&＃xff0c;则标签名改为列表中给的内容。如果是整数K&＃xff0c;则在图上每隔K个标签进行一次标注。 如果是auto&＃xff0c;则自动选择标签的标注间距&＃xff0c;将标签名不重叠的部分(或全部)输出

mask&＃xff1a;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&＃xff0c;则将DataFrame里True的位置用白色覆盖掉

ax&＃xff1a;设置作图的坐标轴&＃xff0c;一般画多个子图时需要修改不同子图的该值

**kwargs&＃xff1a;All other keyword arguments are passed to ax.pcolormesh

cbar&＃xff1a;是否在热力图侧边绘制颜色刻度条&＃xff0c;默认值是True

cbar_kws&＃xff1a;热力图侧边绘制颜色刻度条时&＃xff0c;相关字体设置&＃xff0c;默认值是None

cbar_ax&＃xff1a;热力图侧边绘制颜色刻度条时&＃xff0c;刻度条位置设置&＃xff0c;默认值是None

cmap:从数字到色彩空间的映射

cmap&＃xff1a;从数字到色彩空间的映射&＃xff0c;改变cmap参数可以改变图的颜色&＃xff0c;cmap有以下选择&＃xff1a;

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&＃xff1a;

import matplotlib.pyplot as plt

import numpy as np

import seaborn as sns

import pandas as pd

import matplotlib as mpl

df &＃61; pd.read_excel(&＃39;real_estate_info.xlsx&＃39;)

area &＃61; df[&＃39;土地位置&＃39;]

# 成都主要 区 县 市 9区6县4市

with open(&＃39;test.txt&＃39;, encoding&＃61;&＃39;utf-8&＃39;) as f:

areas &＃61; f.read().split(&＃39;、&＃39;)

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] &＃61; [eval(df.loc[x, &＃39;规划建筑面积&＃39;][:-1]) if item in df.loc[x, &＃39;土地位置&＃39;] else 0 for x in range(len(df[&＃39;土地位置&＃39;]))]

date &＃61; df[&＃39;推出时间&＃39;].str.split(&＃39;年&＃39;, expand&＃61;True)[0] # 这列的字符串 按年切割

df[&＃39;年份&＃39;] &＃61; date # 添加新的一列 年份

df1 &＃61; df[areas]

df1.index &＃61; df[&＃39;年份&＃39;]

df2 &＃61; df1.groupby(&＃39;年份&＃39;).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 &＃61; np.array(df2.iloc[:5, ::].T) # 19行 5列 二维数组

print(datas, type(datas))

x_label &＃61; [year for year in range(2015, 2020)]

y_label &＃61; areas

mpl.rcParams[&＃39;font.family&＃39;] &＃61; &＃39;Kaiti&＃39;

fig, ax &＃61; plt.subplots(figsize&＃61;(15, 9))

# 绘制热力图 cmap&＃xff1a;从数字到色彩空间的映射

sns.heatmap(data&＃61;df2.iloc[:5, ::].T, linewidths&＃61;0.25,

linecolor&＃61;&＃39;black&＃39;, ax&＃61;ax, annot&＃61;True,

fmt&＃61;&＃39;.1f&＃39;, cmap&＃61;&＃39;OrRd&＃39;, robust&＃61;True,

)

# 添加描述信息 x y轴 title

ax.set_xlabel(&＃39;年份&＃39;, fontdict&＃61;{&＃39;size&＃39;: 18, &＃39;weight&＃39;: &＃39;bold&＃39;})

ax.set_ylabel(&＃39;行政区&＃39;, fontdict&＃61;{&＃39;size&＃39;: 18, &＃39;weight&＃39;: &＃39;bold&＃39;})

ax.set_title(r&＃39;各行政区2015-2019年的总规划建筑面积(平方米)&＃39;, fontsize&＃61;25, x&＃61;0.5, y&＃61;1.02)

# 隐藏边框

ax.spines[&＃39;top&＃39;].set_visible(False)

ax.spines[&＃39;right&＃39;].set_visible(False)

ax.spines[&＃39;left&＃39;].set_visible(False)

ax.spines[&＃39;bottom&＃39;].set_visible(False)

# 保存 展示图片

plt.savefig(&＃39;heat_map.png&＃39;)

plt.show()

运行效果如下&＃xff1a;

改变cmap参数&＃xff0c;得到不同的效果&＃xff1a;