使用Python绘制动态方块热力图

目录

• 为什么选择这种热力图？
• 代码实现：从 0 到 1 的可视化之旅
• 1. 数据准备：打造可视化的基石
• 2. 画布搭建：准备好展示数据的舞台
• 3. 颜色系统：让数据穿上绚丽的外衣
• 4. 方块绘制：数据可视化的核心逻辑
• 5. 细节优化：让图表更专业美观
• 自定义你的可视化：从模仿到创新
• 1. 替换成你自己的数据
• 2. 调整颜色映射和视觉效果
• 3. 优化大数据量场景
• 4. 添加交互功能（进阶）
• 应用场景：让可视化解决实际问题
• 1. 机器学习特征重要性可视化
• 2. 市场份额分析
• 3. 图像像素强度可视化
• 注意事项：避坑指南
• 结语：让数据开口说话

在数据可视化的www.devze.com世界里，热力图一直是展现矩阵数据分布的强大工具。它能让枯燥的数值瞬间变得生动形象，帮助我们快速捕捉数据中的模式、异常和趋势。今天，我要分享一种别具一格的热力图绘制方式 ——方块大小与颜色双变量可视化，通过 python 代码实现一个既美观又信息丰富的可视化作品。如果你曾为如何让数据 “活起来” 而烦恼，这篇文章一定会给你带来新的灵感！

为什么选择这种热力图？

传统热力图通常只通过颜色深浅来表达数值大小，而我们今天要实现的版本增加了一个维度 ——方块面积。这种双变量可视化的优势在于：

• 颜色感知更直观：人类视觉对颜色的敏感度极高，不同色调能快速传递数值层级
• 面积大小强化差异：当数值差异较大时，面积变化比颜色变化更具冲击力
• 信息密度更高：在有限空间内展示更多维度的python数据特征

这种可视化方式特别适合：

• 特征重要性分析（如机器学习模型的特征权重）
• 二维数据分布展示（如用户行为矩阵、市场份额分析）
• 数据对比场景（如不同条件下的指标对比）

代码实现：从 0 到 1 的可视化之旅

先来看完整代码，我们将逐步拆解每一个神奇的步骤：

import numpy as np
import matplotlib.pyplot as plt
 
# 随机生成一个 10x10 的矩阵，值域在 0 到 1 之间
np.random.seed(0)
data = np.random.rand(10, 10)
 
fig, ax = plt.subplots(figsize=(8, 6))
 
# 创建颜色映射（使用 colormap）
cmap = plt.cm.RdYlGn
norm = plt.Normalize(vmin=0, vmax=1)
 
# 绘制方块
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  # 控制面积大小（最大 900）
 
        # 使用 scatter 绘制方块
        ax.scatter(j + 1, 10 - i, s=size, c=[color], marker='s', edgandroidecolor='black')
 
# 设置坐标轴
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)
 
# 添加标题
ax.set_title("Square Heatmap Plot", fontsize=14, fontweight='bold')
 
# 添加颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])
cbar = plt.colorbar(sm, ax=ax)
cbar.set_label("")
 
# 添加网格线模拟边框
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

核心组件拆解：每一行代码都在做什么？

1. 数据准备：打造可视化的基石

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

np.random.seed(0) 是为了保证结果可复现，就像给随机数生成器设定一个 “起点”，这样别人运行代码时能得到和你一样的数据～

np.random.rand(10, 10) 生成一个 10x10 的随机矩阵，数值范围在 0 到 1 之间。这里就是替换自己数据的关键位置！你可以：

• 从文件读取数据：data = np.loadtxt('your_data.csv', delimiter=',')
• 加载已有的 numpy 数组：data = np.array(your_custom_data)
• 甚至手动定义矩阵：data = np.array([[0.1, 0.5], [0.8, 0.3]])

提示： 如果你的数据值域不在 0-1 之间，后续的颜色映射和大小计算需要相应调整哦～

2. 画布搭建：准备好展示数据的舞台

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

plt.subplots() 创建一个 Figure 对象和一个 Axes 对象，这是 Matplotlib 绘图的标准流程～

figsize=(8, 6) 设置画布大小为 8 英寸宽、6 英寸高，你可以根据数据量调整这个参数，比如数据是 20x20 的，可以设为 (10,10) 让每个方块更清晰。

3. 颜色系统：让数据穿上绚丽的外衣

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

cmap = plt.cm.RdYlGn 选择了一个从红色到黄色再到绿色的颜色映射，数值小的地方显示红色，数值大的地方显示绿色，中间过渡自然～

你可以换成其他颜色映射：

• plt.cm.viridis（蓝绿黄渐变，适合连续数据）
• plt.cm.coolwarm（蓝红渐变，适合正负值对比）
• plt.cm.Blues（单色系蓝色，适合单一趋势数据）

norm = plt.Normalize(vmin=0, vmax=1) 定义了数值到颜色的映射规则，将数据范围归一化到 0-1，这样颜色变化能准确反映数值差异。如果你的数据值域是 5-100，这里要改成vmin=5, vmax=100哦！

4. 方块绘制：数据可视化的核心逻辑

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  # 控制面积大小（最大 900）
 
        ax.scatter(j + 1, 10 - i, s=size, c=[color], marker='s', edgecolor='black')

这部分是代码的灵魂！我们通过双重循环遍历矩阵的每个元素：

value = data[i, j] 取出当前位置的数值

color = cmap(norm(value)) 将数值转换为对应的颜色，这里用到了前面定义的颜色映射和归一化规则

size = value * 900 计算方块面积，数值越大方块越大。这里的 900 是一个缩放因子，你可以调整它来控制方块的大小范围，比如改成 500 让方块更小，或者 1500 让差异更明显～

ax.scatter(...) 是绘制方块的关键函数：

• j + 1, 10 - i 是方块的坐标，注意这里10 - i是为了让 y 轴从上到下递增，符合矩阵的行列索引习惯
• s=size 控制面积大小
• c=[color] 设置颜色，注意用列表包裹颜色值
• marker='s' 将散点形状设为正方形（square），也可以换成'o'圆形、'^'三角形等
• edgecolor='black' 添加黑色边框，让每个方块更清晰可辨

5. 细节优化：让图表更专业美观

# 设置坐标轴
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_xlabe编程客栈l("K (w)", fontsize=12)
ax.set_ylabel("Samples", fontsize=12)
 
# 添加标题
ax.set_title("Square Heatmap Plot", fontsize=14, fontweight='bold')
 
# 添加颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])
cbar = plt.colorbar(sm, ax=ax)
cbar.set_label("")
 
# 添加网格线模拟边框
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)

这部分是让图表从 “能用” 到 “精美” 的关键：

• 坐标轴设置：明确 x 轴和 y 轴的刻度位置和标签，ax.set_xlabel和ax.set_ylabel可以换成你自己的变量名称，比如 “时间（小时）”“用户活跃度” 等。
• 标题添加：ax.set_title让图表有一个清晰的主题，fontweight='bold'让标题更醒目。
• 颜色条：这是热力图的 “翻译器”，告诉读者颜色对应的数值范围。sm.set_array([])是一个小技巧，用于初始化颜色映射对象。
• 网格线与边框：这里用了一个巧妙的方法 —— 通过设置次要刻度（minor ticks）并绘制网格线，模拟出每个方块的边框。ax.set_xlim(0.5, 10.5)将坐标轴范围扩展到 0.5编程客栈-10.5，这样 10x10 的矩阵刚好占据整个区域，网格线就像一个个小格子～

自定义你的可视化：从模仿到创新

1. 替换成你自己的数据

正如前面提到的，数据生成部分是最容易替换的地方。假设你有一个从 Excel 中导出的 15x15 的用户行为数据矩阵，路径为user_behavior.csv，你可以这样做：

# 从CSV文件读取数据
data = np.loadtxt('user_behavior.csv', delimiter=',')
 
# 或者使用pandas读取（更灵活）
import pandas as pd
data = pd.read_csv('user_behavior.csv').values

如果你的数据值域不是 0-1，比如是 10-100，需要调整颜色映射和大小计算： 

# 假设数据值域是10-100
vmin, vmax = 10, 100
norm = plt.Normalize(vmin=vmin, vmax=vmax)
size = (value - vmin) / (vmax - vmin) * 900  # 归一化后计算大小

2. 调整颜色映射和视觉效果

如果你不喜欢 RdYlGn 颜色映射，可以尝试其他方案：

# 冷色调到暖色调（适合显示数值递增趋势）
cmap = plt.cm.Blues
# 红黄色调（适合突出高数值区域）
cmap = plt.cm.OrRd
# 彩虹色调（适合展示复杂模式）
cmap = plt.cm.rainbow

3. 优化大数据量场景

如果你的数据是 100x100 的大矩阵，直接绘制可能会显得拥挤，这时可以：

• 调整画布大小：fig, ax = plt.subplots(figsize=(12, 12))
• 减小边框和网格线宽度：ax.grid(which='minor', color='black', linewidth=0.5)
• 取消边框：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（进阶）

如果想让图表更动态，可以使用matplotlib的交互功能或结合ipywidgets：

from matplotlib.widgets import Slider
 
# 创建滑块来调整大小缩放因子
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
            # 这里需要先清除之前的散点，再重新绘制
            # 由于scatter返回的是PathCollection对象，可以保存后更新
    fig.canvas.draw_idle()
 
slider.on_changed(update)

应用场景：让可视化解决实际问题

这种双变量热力图在实际场景中能做什么？举几个栗子：

1. 机器学习特征重要性可视化

假设你训练了一个随机森林模型，想展示各特征的重要性：

# 假设feature_importances是形状为(20,)的数组
data = feature_importances.reshape(4, 5)  # 调整为4x5的矩阵便于可视化

2. 市场份额分析

展示不同地区、不同产品的市场占有率：

# 行：地区（华北、华东、华南、西北、西南）
# 列：产品（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. 图像像素强度可视化

将灰度图像转换为热力图展示：

from skimage import data
import matplotlib.pyplot as plt
 
# 加载示例图像
image = data.camera()
# 归一化到0-1
data = image / 255.0

注意事项：避坑指南

方块重叠问题：当数值差异很大时，大的方块可能会覆盖小的方块。可以通过调整size的缩放因子或添加透明度来解决：

ax.scatter(..., alpha=0.8)  # 添加透明度

坐标轴标签旋转：当 x 轴标签较多时，可能会重叠，可以旋转标签： 

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

性能问题：处理超大矩阵（如 1000x1000）时，双重循环会很慢。可以改用pcolormesh结合PatchCollection优化，但需要重写绘制逻辑～

颜色对比度：选择颜色映射时要考虑色盲友好性，plt.cm.viridis是一个不错的选择，或者使用seaborn的调色板：

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

结语：让数据开口说话

可视化的魅力在于将抽象的数字转化为直观的视觉信号，帮助我们理解数据背后的故事。今天分享的方块热力图通过颜色和大小双重维度，让数据呈现更加立体生动。无论是科研数据展示、商业数据分析还是日常数据探索，这种可视化方式都能为你增添一份力量～

现在，快试试用你自己的数据绘制吧！只需要替换data变量的定义部分，调整颜色映射和大小参数，就能得到属于你的专属可视化作品～

以上就是使用Python绘制动态方块热力图的详细内容，更多关于Python绘制热力图的资料请关注编程客栈(www.devze.com)其它相关文章！