最初看到热力图时，你是不是会从内心发出惊呼，看着特别有感觉？
那老海就问第二个问题了，然后你还能看出什么来？
(资料图)
颜色有深有浅？还有什么？能看出哪个区域大吗？到底又大多少？
哈哈，这种感觉就是热力图的特点：如同蒙面美人的图表类型！
OK，什么是热力图？热力图 (Heat Map)，“热力图” 一词最初是由软件设计师提出并创造的，专门用来描述实时金融市场信息的图表类型。注意是软件设计师提出的，不是视觉设计师，更不是数据分析师！
正因如此，就如同南丁格尔玫瑰图一样，都是特殊出身，因此用途局限性非常大。
最早的热力图，都是在矩形色块加上颜色变换。而当今我们说的大多是经过平滑模糊的热力图谱，这样的热力图更容易让人们理解和解读。
热力图的基本数据样式不同的特征字段，在不同的数值上的统计情况，统计分布不同则颜色也变化。
热力图的使用建议热力图在绘图前尽量统一数据量纲、或者进行归一化标准化处理热力图的主要应用在整体全局的数据呈现，不适合局部精准数据展示热力图的颜色带来强烈的视觉冲击力，数据准确度上较弱，很难来分辨具体大小热力图常用来用表达分布，所以一般情况用彩虹色系(rainbow)来传达这个分布变化热力图背景常常是图片或地图，因此不需要必须有坐标轴。下面开始具体的操作案例准备工作## 初始字体设置，设置好可避免很多麻烦plt.rcParams["font.sans-serif"]=["Source Han Sans CN"] # 显示中文不乱码，思源黑体plt.rcParams["font.size"] = 22 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整plt.rcParams["axes.unicode_minus"] = False # 显示负数不乱码## 初始化图表大小plt.rcParams["figure.figsize"] = (20.0, 8.0) # 设置figure_size尺寸## 初始化图表分辨率质量plt.rcParams["savefig.dpi"] = 300 # 设置图表保存时的像素分辨率plt.rcParams["figure.dpi"] = 300 # 设置图表绘制时的像素分辨率## 图表的颜色自定义colors = ["#dc2624", "#2b4750", "#45a0a2", "#e87a59","#7dcaa9", "#649E7D", "#dc8018", "#C89F91","#6c6d6c", "#4f6268", "#c7cccf"]plt.rcParams["axes.prop_cycle"] = plt.cycler( color=colors)path = "D:\系列文章\"# 自定义文件路径，可以自行设定os.chdir(path)# 设置为该路径为工作路径，一般存放数据源文件
Financial_data = pd.read_excel("虚拟演示案例数据.xlsx",sheet_name="二维表")Financial_data
Financial_data = pd.read_excel("虚拟演示案例数据.xlsx",sheet_name="二维表")Financial_data
最基本的热力图原理，方便我们理解热力这个概念是什么
plt.rcParams["figure.figsize"] = (10, 10) # 设置figure_size尺寸plt.rcParams["font.size"] = 10 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整# Financial_data = Financial_data.drop("分类",axis=1)targetlist = Financial_data.columns[1:] # 选择需要的字段heatdata = round(Financial_data.loc[:,targetlist]/1000) # 为了展示方便，数据统一除以1000，并取四舍五入取整数# 利用sns.heatmap来画热图sns.heatmap(heatdata, # 设置数据源cmap="Greens", # 设置热图配色annot=True, # 开启设置显示数字，默认不显示annot_kws={"size":8}, # 设置显示数字的大小vmax=10, # 设置显示范围最大值vmin=0, # 设置显示范围最小值center=5, # 设置颜色显示中心的数值，来控制yticklabels=True, # 设置Y轴标签是否显示xticklabels=True, # 设置X轴标签是否显示，默认为显示# xticklabels=4, # 可以设置显示哪些标签或者隐藏部分标签，避免图像混乱cbar=True, # 设置颜色栏是否显示，默认为显示linewidths=2, # 格子之间的间隔距离linecolor="white") # 格子之间的间隔颜色sns.despine() # 默认无参数状态，就是删除上方和右方的边框，matplotlib貌似做不到plt.show()
可自定义我们需要参考的对比对象
plt.rcParams["figure.figsize"] = (10, 10) # 设置figure_size尺寸plt.rcParams["font.size"] = 10 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整# Financial_data = Financial_data.drop("分类",axis=1)# targetlist = Financial_data.columns[:] # 选择需要的字段heatdata = Financial_data.set_index("门店城市",drop=True) # 设置参考对象列作为index索引# corr_matrix=heatdata.corr()# 利用sns.heatmap来画热图sns.heatmap(heatdata, # 设置数据源cmap="Greens", # 设置热图配色annot=True, # 设置显示数字vmax=10, # 设置显示范围最大值vmin=0, # 设置显示范围最小值center=5, # 设置颜色显示中心的数值，来控制linewidths=2) # 格子之间的间隔距离sns.despine() # 默认无参数状态，就是删除上方和右方的边框，matplotlib貌似做不到plt.show()
除了查看统计分布，还可以查看不同变量之间的相关性，常用在特征选择上
plt.rcParams["figure.figsize"] = (10, 10) # 设置figure_size尺寸plt.rcParams["font.size"] = 10 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整# Financial_data = Financial_data.drop("分类",axis=1)targetlist = Financial_data.columns[1:] # 选择需要的字段heatdata = round(Financial_data.loc[:,targetlist]/1000) # 为了展示方便，数据统一除以1000，并取四舍五入取整数corr_matrix=heatdata.corr()# 利用sns.heatmap来画热图sns.heatmap(corr_matrix, # 设置数据源cmap="Greens", # 设置热图配色annot=True, # 设置显示数字vmax=1, # 设置显示范围最大值vmin=0, # 设置显示范围最小值center=5, # 设置颜色显示中心的数值，来控制linewidths=2) # 格子之间的间隔距离sns.despine() # 默认无参数状态，就是删除上方和右方的边框，matplotlib貌似做不到plt.show()
这是相关矩阵热力图的简化版，因为对角矩阵的一半元素都是相同的，所以可以简化
plt.rcParams["figure.figsize"] = (10, 10) # 设置figure_size尺寸plt.rcParams["font.size"] = 10 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整# Financial_data = Financial_data.drop("分类",axis=1)targetlist = Financial_data.columns[1:] # 选择需要的字段heatdata = round(Financial_data.loc[:,targetlist]/1000) # 为了展示方便，数据统一除以1000，并取四舍五入取整数# 极值化MAX-MINnormalization_matrix=(heatdata-heatdata.min())/heatdata.max()# 正则化normalization_matrix=(heatdata-heatdata.mean())/heatdata.std()# 利用sns.heatmap来画热图sns.heatmap(normalization_matrix, # 设置数据源cmap="Greens", # 设置热图配色annot=True, # 设置显示数字vmax=1, # 设置显示范围最大值vmin=0, # 设置显示范围最小值center=5, # 设置颜色显示中心的数值，来控制linewidths=2) # 格子之间的间隔距离sns.despine() # 默认无参数状态，就是删除上方和右方的边框，matplotlib貌似做不到plt.show()
有时数据的量纲规模变化很大，此时建议统一数据量纲，效果会好些
plt.rcParams["figure.figsize"] = (10, 10) # 设置figure_size尺寸plt.rcParams["font.size"] = 10 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整# Financial_data = Financial_data.drop("分类",axis=1)targetlist = Financial_data.columns[1:] # 选择需要的字段heatdata = round(Financial_data.loc[:,targetlist]/1000) # 为了展示方便，数据统一除以1000，并取四舍五入取整数# 极值化MAX-MINnormalization_matrix=(heatdata-heatdata.min())/heatdata.max()# 正则化normalization_matrix=(heatdata-heatdata.mean())/heatdata.std()# 利用sns.heatmap来画热图sns.heatmap(normalization_matrix, # 设置数据源cmap="Greens", # 设置热图配色annot=True, # 设置显示数字vmax=1, # 设置显示范围最大值vmin=0, # 设置显示范围最小值center=5, # 设置颜色显示中心的数值，来控制linewidths=2) # 格子之间的间隔距离sns.despine() # 默认无参数状态，就是删除上方和右方的边框，matplotlib貌似做不到plt.show()
这是混合图表应用，用途特别有些，有时候数据图表都堆在一起，看着就乱，不推荐
plt.rcParams["figure.figsize"] = (10, 10) # 设置figure_size尺寸plt.rcParams["font.size"] = 10 # 设置图表全局字体大小，后期某个元素的字体大小可以自行调整heatdata = Financial_data.set_index("门店城市",drop=True) # 设置参考对象列作为index索引# # 利用sns.heatmap来画热图# sns.heatmap(heatdata, # 设置数据源# cmap="Greens", # 设置热图配色# annot=True, # 设置显示数字# vmax=1, # 设置显示范围最大值# vmin=0, # 设置显示范围最小值# center=5, # 设置颜色显示中心的数值，来控制# linewidths=2) # 格子之间的间隔距离# 距离相似性的设置sns.clustermap(heatdata.iloc[:20,:],metric="correlation", # 距离相似性，设置为相似性："correlation"，欧氏距离："euclidean"method="single", # 聚类的方法，设置为最近点算法："single",方差最小化算法:"Ward"cmap="Blues", # 设置热图配色standard_scale=1, # 归一化设置，还可设置z_score=1的方法robust=True, # 离群值检验，默认为不开启，这里设置开启离群值研究# row_colors=row_colors)sns.despine() # 默认无参数状态，就是删除上方和右方的边框，matplotlib貌似做不到plt.show()
上一篇介绍气泡图，而热力图给人的视觉冲击力更强，当然也就变得更不精准
我们使用图表的目标不同，选择图表时就得非常注意，
热力图我一般是不会选择的，商业分析一般要求务必表达精准，所以它不适合
更多的时候是在做机器学习的特征选择时，会探索一下变量间的相关性如何。
OK，今天先到这里了，老海日常随笔总结，码字不易，初心不改！
如果觉得喜欢，请动动小手关注和转发，鼓励一下我们。
我是老海，来自数据炼金术师
,标签：
