matplotlib 热力图_5分钟入门 Seaborn 热力图可视化

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，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。

注：所有代码均在IPython notebook中实现

heatmap 热力图

热力图在实际中常用于展示一组变量的相关系数矩阵，在展示列联表的数据分布上也有较大的用途，通过热力图我们可以非常直观地感受到数值大小的差异状况。heatmap的API如下所示：

下面将演示这些主要参数的用法，第一件事还是先导入相关的packages。

1import seaborn as sns
2%matplotlib inline
3sns.set(font_scale=1.5)

本次演示采用的数据集是Seaborn中内置的flights航班数据集：

1#导入数据集后按年月两个维度进行数据透视
2data=sns.load_dataset("flights")\
3        .pivot("month","year","passengers") 
4data.head()

如上图所示，dataframe中的数据代表了1949年-1960年每个月的航班乘客数量，接下来热力图就隆重登场啦！

1sns.set_context({"figure.figsize":(8,8)})
2sns.heatmap(data=data,square=True) 
3#可以看到热力图主要展示的是二维数据的数据关系
4#不同大小的值对应不同的颜色深浅

热力图的右侧是颜色带，上面代表了数值到颜色的映射，数值由小到大对应色彩由暗到亮。从上面的heatmap中我们可以得到两层信息，一是随着时间的推移，飞机的乘客数量是在逐步增多的，二是航班的乘坐旺季在七月和八月份。下面就具体的参数进行演示。

vmax：设置颜色带的最大值vmin：设置颜色带的最小值

1sns.heatmap(data=data,vmin=200,
2            vmax=500)

可以看到右侧的颜色带最大最小值变了，而heatmap中颜色映射关系也会随之调整，将本图和上面的图进行对比便一目了然。

cmap：设置颜色带的色系

1sns.heatmap(data=data,cmap="RdBu_r")

好像变好看了?

center：设置颜色带的分界线

1sns.heatmap(data=data,cmap="RdBu_r",
2            center=300)

细心的朋友可以察觉到颜色带上色彩两级的分界线变成了300

annot：是否显示数值注释

1sns.heatmap(data=data,annot=True,
2            cmap="RdBu_r")

怎么回事？乱码了吗？其实数值注释默认显示的是科学记数法的数值，我们得把数值进行格式化，这就用到了下面的参数。

fmt：format的缩写，设置数值的格式化形式

1sns.heatmap(data=data,annot=True,
2            fmt="d",cmap="RdBu_r")
3#foramt为int类型

linewidths：控制每个小方格之间的间距

1sns.heatmap(data=data,annot=True,
2            fmt="d",linewidths=0.3,
3            cmap="RdBu_r") 
4#可以看到每个小方格之产生了间隙

linecolor：控制分割线的颜色

1sns.heatmap(data=data,annot=True,
2            fmt="d",linewidths=0.3,
3            linecolor="grey",cmap="RdBu_r")
4#原来的白色间隙变成了灰色间隙

cbar_kws：关于颜色带的设置

1sns.heatmap(data=data,annot=True,
2            fmt="d",cmap="RdBu_r",
3            cbar_kws={"orientation":"horizontal"})  
4#横向显示颜色帮

mask：传入布尔型矩阵，若为矩阵内为True，则热力图相应的位置的数据将会被屏蔽掉(常用在绘制相关系数矩阵图)

 1import numpy as np
 2#随机生成一个200行10列的数据集
 3data_new = np.random.randn(200,10)
 4
 5#求出这个数据集的相关系数矩阵
 6corr = np.corrcoef(data_new,rowvar=False)
 7
 8#以corr的形状生成一个全为0的矩阵
 9mask = np.zeros_like(corr)
10
11#将mask的对角线及以上设置为True
12#这部分就是对应要被遮掉的部分
13mask[np.triu_indices_from(mask)] = True
14
15with sns.axes_style("white"):
16    sns.heatmap(corr, mask=mask, vmax=0.3, 
17                annot=True,cmap="RdBu_r")