Python数据可视化的例子——热力图（heatmap）

（关系型数据的可视化）
热力图体现了两个离散变量之间的组合关系
热力图，有时也称之为交叉填充表。该图形最典型的用法就是实现列联表的可视化，即通过图形的方式展现两个离散变量之间的组合关系。读者可以借助于seaborn模块中的heatmap函数，完成热力图的绘制。按照惯例，首先对该函数的用法及参数含义做如下解释：

heatmap(data, vmin=None, vmax=None, cmap=None, center=None, annot=None, fmt='.2g',annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws = None,square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None)

data：指定绘制热力图的数据集。
vmin,vmax：用于指定图例中最小值与最大值的显示值。
cmap：指定一个colormap对象，用于热力图的填充色。（supported values are ‘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’, ‘turbo’, ‘turbo_r’, ‘twilight’, ‘twilight_r’, ‘twilight_shifted’, ‘twilight_shifted_r’, ‘viridis’, ‘viridis_r’, ‘vlag’, ‘vlag_r’, ‘winter’, ‘winter_r’）
center：指定颜色中心值，通过该参数可以调整热力图的颜色深浅。
annot：指定一个bool类型的值或与data参数形状一样的数组，如果为True，就在热力图的每个单元上显示数值。
fmt：指定单元格中数据的显示格式。
annot_kws：有关单元格中数值标签的其他属性描述，如颜色、大小等。
linewidths：指定每个单元格的边框宽度。
linecolor：指定每个单元格的边框颜色。
cbar：bool类型参数，是否用颜色条作为图例，默认为True。
square：bool类型参数，是否使热力图的每个单元格为正方形，默认为False。
cbar_kws：有关颜色条的其他属性描述。
xticklabels,yticklabels：指定热力图x轴和y轴的刻度标签，如果为True，则分别以数据框的变量名和行名称作为刻度标签。
mask：用于突出显示某些数据。
ax：用于指定子图的位置。

接下来，以某服装店的交易数据为例，统计2009—2012年每个月的销售总额：

然后运用如上介绍的heatmap函数对统计结果进行可视化展现，具体代码如下：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np#设置绘图风格
plt.style.use('ggplot')
#处理中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
#坐标轴负号的处理
plt.rcParams['axes.unicode_minus']=False
# 读取数据
Sales = pd.read_excel(r'服装店的交易数据.xlsx')
# 根据交易日期，衍生出年份和月份字段
Sales['year'] = Sales.Date.dt.year
Sales['month'] = Sales.Date.dt.month
# 统计每年各月份的销售总额
Summary = Sales.pivot_table(index = 'month', columns = 'year', values = 'Sales', aggfunc = np.sum)
#打印销售额的列联表格式
print(Summary.head(13))
# 绘制热力图
sns.heatmap(data = Summary, # 指定绘图数据cmap = 'PuBuGn', # 指定填充色linewidths = .1, # 设置每个单元格边框的宽度annot = True, # 显示数值fmt = '.1e' # 以科学计算法显示数据)
#添加标题
plt.title('每年各月份销售总额热力图')
# 显示图形
plt.show()

结果：

year          2009         2010         2011         2012
month
1      520452.5595  334535.0605  255919.2030  341339.2470
2      333909.5565  271881.9480  299890.1410  281270.1790
3      411628.7290  217808.0065  296151.7510  387093.7650
4      406848.7620  266968.5890  290384.4670  278402.9940
5      228025.5680  287796.5150  264673.6260  384588.0615
6      273758.8780  293600.7750  196918.1455  316775.7855
7      412797.4600  240297.1585  287905.1865  275160.0495
8      329754.7150  205789.6440  275211.3295  306671.2835
9      325292.3145  419689.7785  278230.1660  319675.1765
10     347173.8005  368544.9250  305660.4510  351438.0925
11     253867.1960  295010.9555  385452.7300  261206.4290
12     420420.2355  368093.9540  328898.4945  351756.4180

它是列联表的格式，反映的是每年各月份的销售总额。很显然，通过肉眼是无法迅速发现销售业绩在各月份中的差异的，如果将数据表以热力图的形式展现，问题就会简单很多。

如上图呀所示就是将表格进行可视化的结果，每个单元格颜色的深浅代表数值的高低，通过颜色就能迅速发现每年各月份销售情况的好坏。

Python数据可视化的例子——热力图（heatmap）相关推荐

Python数据可视化的例子——画图总结
前面写了大量的文章是关于数据的可视化,通过每一个具体的案例介绍了有关matplotlib模块.pandas模块和seaborn模块的绘图函数和参数含义,分别针对离散型数据.数值型数据和关系型数据讲解了 ...
Python数据可视化的例子——气泡图（bubble）
(关系型数据的可视化) 气泡图是散点图中的一种类型,可以展现三个数值变量之间的关系之前的文章有介绍过一般的散点图都是反映两个数值型变量的关系,所以如果还想通过散点图添加第三个数值型变量的信息,一般可 ...
Python数据可视化的例子——箱线图（box）
箱线图是另一种体现数据分布的图形,通过该图可以得知数据的下须值(Q1-1.5IQR).下四分位数(Q1).中位数(Q2).均值.上四分位数(Q3)和上须值(Q3+1.5IQR),更重要的是,箱线图还可 ...
Python数据可视化的例子——多个图形的合并
工作中往往会根据业务需求,将绘制的多个图形组合到一个大图框内,形成类似仪表板的效果.针对这种情况,如何应用Python将前面所学的各种图形汇总到一个图表中,这将是本节所要学习的重点. 关于多种图形的组 ...
Python数据可视化的例子——散点图（scatter）
(关系型数据的可视化) 散点图用于发现两个数值变量之间的关系如果需要研究两个数值型变量之间是否存在某种关系,例如正向的线性关系,或者是趋势性的非线性关系,那么散点图将是最佳的选择. 1．matplo ...
Python数据可视化的例子——直方图（hist）和核密度曲线（kde）
直方图一般用来观察数据的分布形态,横坐标代表数值的均匀分段,纵坐标代表每个段内的观测数量(频数).一般直方图都会与核密度图搭配使用,目的是更加清晰地掌握数据的分布特征,下面将详细介绍该类型图形的绘制. ...
Python数据可视化的例子——条形图（bar）
1．matplotlib模块应用matplotlib模块绘制条形图,需要调用bar函数,关于该函数的语法和参数含义如下: bar(x, height, width=0.8, bottom=None, ...
Python数据可视化的例子——小提琴图（violin）
小提琴图是比较有意思的统计图形,它将数值型数据的核密度图与箱线图融合在一起,进而得到一个形似小提琴的图形.尽管matplotlib模块也提供了绘制小提琴图的函数violinplot,但是绘制出来的图形 ...
python数据可视化--pyecharts生成图表
[python可视化系列]python数据可视化利器--pyecharts echarts官网一.前言 echarts是什么?下面是来自官方的介绍: ECharts,缩写来自Enterprise C ...

Python数据可视化的例子——热力图（heatmap）

Python数据可视化的例子——热力图（heatmap）相关推荐

最新文章

热门文章