python创建热力图

<think>我们有两个引用，但用户的问题是关于使用Python创建热力图的教程。根据引用，我们可以使用不同的库，例如引用[1]中可能提到了matplotlib/seaborn，而引用[2]使用了folium来创建地理热力图。用户没有明确说明是哪种热力图，但根据引用[2]的例子，可能是地理热力图。不过，用户的问题更通用，所以我们需要提供两种常见的热力图：矩阵热力图和地理热力图。 步骤： 1. 矩阵热力图（使用seaborn和matplotlib） 2. 地理热力图（使用folium） 我们将分别介绍这两种热力图的绘制方法。 ## 一、矩阵热力图（用于二维数据） 使用库：`matplotlib` 和 `seaborn` 安装（如果需要）： ```bash pip install matplotlib seaborn numpy pandas ``` 示例代码： ```python import seaborn as sns import matplotlib.pyplot as plt import numpy as np # 创建一个随机的10x10矩阵 data = np.random.rand(10, 10) # 使用seaborn绘制热力图 plt.figure(figsize=(10, 8)) # 设置热力图的颜色映射，vmin和vmax设置颜色范围 heatmap = sns.heatmap(data, annot=True, fmt=".2f", cmap="YlGnBu", vmin=0, vmax=1) # 设置标题 plt.title('Matrix Heatmap Example') plt.show() ``` 参数说明： - `data`: 二维数组（或DataFrame） - `annot`: 是否在格子中显示数值 - `fmt`: 数值格式，例如".2f"表示保留两位小数 - `cmap`: 颜色映射，可选"viridis", "YlGnBu", "coolwarm"等 - `vmin`, `vmax`: 颜色条的最小值和最大值 ## 二、地理热力图（显示在地图上） 使用库：`folium` 和 `folium.plugins.HeatMap` 安装： ```bash pip install folium ``` 示例代码（根据引用[2]修改）： ```python import folium from folium.plugins import HeatMap import webbrowser # 模拟数据：每个数据点为[纬度, 经度, 权重] # 这里使用中国几个主要城市的数据 data = [ [39.9042, 116.4074, 10], # 北京 [31.2304, 121.4737, 8], # 上海 [23.1291, 113.2644, 6], # 广州 [30.5728, 104.0668, 5], # 成都 [34.3416, 108.9398, 4] # 西安 ] # 创建地图，设置初始位置和缩放级别 map_heat = folium.Map(location=[35, 105], zoom_start=4) # 将热力图添加到地图 HeatMap(data).add_to(map_heat) # 保存为html文件 file_path = "heatmap.html" map_heat.save(file_path) # 用浏览器打开 webbrowser.open(file_path) ``` 说明： - `location`: 地图初始中心坐标，[纬度, 经度] - `zoom_start`: 初始缩放级别，数值越大越详细 - `HeatMap`接受一个列表，每个元素是[纬度, 经度, 权重]（权重可选，如果没有权重，可以只给两个值） ## 三、其他热力图库 1. **plotly**：可以绘制交互式热力图（包括矩阵热力图和地图热力图） 2. **bokeh**：另一个交互式可视化库 这里提供一个plotly绘制矩阵热力图的简单示例： ```python import plotly.express as px import numpy as np data = np.random.rand(10, 10) fig = px.imshow(data, color_continuous_scale='Viridis') fig.show() ``` ## 注意事项 1. 矩阵热力图的数据需要是二维的，并且通常需要归一化处理以便于观察。 2. 地理热力图的数据点不能过多，否则会非常密集，可以使用聚类或者采样来减少点。 3. 地理热力图需要经纬度坐标，如果使用地名，需要先通过地理编码转换为经纬度。 根据你的需求选择合适的库和方法。 §§相关问题§§ 1. 如何对矩阵热力图进行归一化处理？ 2. 如何获取地理热力图中地点的经纬度坐标？ 3. 如何调整地理热力图中点的半径和模糊程度？ 4. 如何保存热力图为图片（例如png）格式？</think># Python 热力图生成全面教程 热力图是数据可视化中展示二维数据分布的有效工具，下面我将详细介绍如何使用 Python 生成各种类型的热力图。 ## 一、热力图基础 热力图通过颜色变化展示数据矩阵中数值的分布情况，常用于： - 展示相关性矩阵 - 可视化地理数据分布 - 分析时间序列模式 - 显示密度分布 ## 二、矩阵热力图（相关性热力图） 使用 `seaborn` 和 `matplotlib` 生成矩阵热力图： ```python import seaborn as sns import matplotlib.pyplot as plt import numpy as np # 创建示例数据矩阵 data = np.random.rand(10, 12) # 10行12列的随机数据 # 创建热力图 plt.figure(figsize=(10, 8)) ax = sns.heatmap( data, annot=True, # 显示数值 fmt=".2f", # 数值格式 cmap="YlGnBu", # 颜色映射 linewidths=.5, # 单元格间线宽 vmin=0, vmax=1 # 颜色范围 ) # 添加标题和标签 plt.title("矩阵热力图示例", fontsize=14) plt.xlabel("X轴标签") plt.ylabel("Y轴标签") # 显示图形 plt.show() ``` ### 关键参数说明： | 参数 | 说明 | 常用值 | |------|------|--------| | `cmap` | 颜色映射 | "viridis", "coolwarm", "YlOrRd" | | `annot` | 显示数值 | True/False | | `fmt` | 数值格式 | ".0f", ".2f" | | `vmin/vmax` | 颜色范围 | 数值 | | `linewidths` | 网格线宽 | 0.5-1.0 | | `cbar` | 显示颜色条 | True/False | ## 三、地理热力图 使用 `folium` 库创建地理热力图（引用[2]方法）： ```python import folium from folium.plugins import HeatMap import webbrowser # 创建示例数据（纬度, 经度, 权重） data = [ [39.9042, 116.4074, 0.9], # 北京 [31.2304, 121.4737, 0.8], # 上海 [23.1291, 113.2644, 0.7], # 广州 [30.5728, 104.0668, 0.6], # 成都 [34.3416, 108.9398, 0.5], # 西安 [22.5431, 114.0579, 0.4], # 深圳 [38.0428, 114.5149, 0.3] # 石家庄 ] # 创建地图对象 m = folium.Map( location=[35, 105], # 初始中心位置 zoom_start=4, # 初始缩放级别 tiles='Stamen Toner' # 地图样式 ) # 添加热力图层 HeatMap( data, radius=15, # 热力点半径 blur=10, # 模糊度 max_zoom=13 # 最大缩放级别 ).add_to(m) # 保存为HTML文件 file_path = "china_heatmap.html" m.save(file_path) # 在浏览器中打开 webbrowser.open(file_path) ``` ## 四、时间序列热力图 展示时间相关的数据模式： ```python import pandas as pd import seaborn as sns # 创建示例时间序列数据 dates = pd.date_range('2023-01-01', periods=90) hours = [f"{h:02d}:00" for h in range(24)] data = np.random.rand(90, 24) # 90天*24小时 # 创建DataFrame df = pd.DataFrame(data, index=dates, columns=hours) # 绘制热力图 plt.figure(figsize=(16, 8)) sns.heatmap( df, cmap="YlOrRd", cbar_kws={'label': '活动强度'} ) plt.title("每日活动热力图", fontsize=16) plt.xlabel("小时") plt.ylabel("日期") plt.tight_layout() plt.show() ``` ## 五、高级技巧与优化 ### 1. 数据归一化处理 ```python from sklearn.preprocessing import MinMaxScaler # 归一化数据到[0,1]范围 scaler = MinMaxScaler() normalized_data = scaler.fit_transform(data) ``` ### 2. 聚类热力图 ```python # 添加聚类树状图 g = sns.clustermap( data, cmap="coolwarm", standard_scale=1, # 按行归一化 figsize=(12, 8) ) plt.title("聚类热力图") ``` ### 3. 自定义颜色映射 ```python from matplotlib.colors import LinearSegmentedColormap # 创建自定义颜色映射 colors = ["#2A788E", "#79D151", "#FDE725"] custom_cmap = LinearSegmentedColormap.from_list("custom", colors) sns.heatmap(data, cmap=custom_cmap) ``` ### 4. 保存高质量图片 ```python plt.savefig('heatmap.png', dpi=300, bbox_inches='tight', transparent=False) ``` ## 六、常见问题解决 1. **数据点过多导致模糊**： - 降低热力点半径（`radius`参数） - 增加模糊度（`blur`参数） - 对数据进行聚合或采样 2. **颜色区分度不足**： - 使用`vmin`和`vmax`明确颜色范围 - 尝试不同颜色映射（`cmap`） - 增加颜色条范围 3. **地理坐标不准确**： - 使用`geopy`库转换地址为经纬度： ```python from geopy.geocoders import Nominatim geolocator = Nominatim(user_agent="heatmap_app") location = geolocator.geocode("北京市") print(location.latitude, location.longitude) ``` ## 七、相关工具推荐 1. **交互式热力图**： - Plotly: `plotly.express.imshow()` - Bokeh: `bokeh.plotting.figure.rect()` 2. **大数据集处理**： - Datashader: 适合百万级数据点 - Vaex: 内存高效处理 3. **地理数据处理**： - Geopandas: 地理空间数据处理 - Contextily: 添加底图