Python可视化：Seaborn库热力图使用进阶

前言

在日常工作中，经常可以见到各种各种精美的热力图，热力图的应用非常广泛，下面一起来学习下Python的Seaborn库中热力图（heatmap）如何来进行使用。

本次运行的环境为：

• windows 64位系统

• python 3.5

• jupyter notebook

1 构造数据

1. import seaborn as sns

2. import pandas as pd

3. import numpy as np

4. import matplotlib.pyplot as plt

5. % matplotlib inline

1. region = ['Albania', 'Algeria', 'Angola', 'Argentina', 'Armenia', 'Azerbaijan',

2.       'Bahamas', 'Bangladesh', 'Belize', 'Bhutan', 'Bolivia',

3.       'Bosnia and Herzegovina', 'Brazil', 'Burkina Faso', 'Burundi',

4.       'Cambodia', 'Cameroon', 'Cape Verde', 'Chile', 'China', 'Colombia',

5.       'Costa Rica', 'Cote d Ivoire', 'Cuba', 'Cyprus',

6.       "Democratic People's Republic of Korea",

7.       'Democratic Republic of the Congo', 'Dominican Republic', 'Ecuador',

8.       'Egypt', 'El Salvador', 'Equatorial Guinea', 'Ethiopia', 'Fiji',

9.       'Gambia', 'Georgia', 'Ghana', 'Guatemala', 'Guyana', 'Honduras']

10. kind = ['Afforestation & reforestation', 'Biofuels', 'Biogas',

11.        'Biomass', 'Cement', 'Energy efficiency', 'Fuel switch',

12.       'HFC reduction/avoidance', 'Hydro power',

13.        'Leak reduction', 'Material use', 'Methane avoidance',            

14.       'N2O decomposition', 'Other renewable energies',

15.       'PFC reduction and substitution','PV',

16.       'SF6 replacement', 'Transportation', 'Waste gas/heat utilization',

17.      'Wind power']

1. print(len(region))

2. print(len(kind))

1. 40

2. 20

1. np.random.seed(100)

2. arr_region = np.random.choice(region, size=(10000,))

3. list_region = list(arr_region)

4. arr_kind = np.random.choice(kind, size=(10000,))

5. list_kind = list(arr_kind)

6. values = np.random.randint(50, 1000, 10000)

7. list_values = list(values)

8. df = pd.DataFrame({'region':list_region,

9.                  'kind': list_kind,

10.                  'values':list_values})

11. df.head()

1. pt = df.pivot_table(index='kind', columns='region', values='values', aggfunc=np.sum)

2. pt.head()

1. f, ax = plt.subplots(figsize = (10, 4))

2. cmap = sns.cubehelix_palette(start = 1, rot = 3, gamma=0.8, as_cmap = True)

3. sns.heatmap(pt, cmap = cmap, linewidths = 0.05, ax = ax)

4. ax.set_title('Amounts per kind and region')

5. ax.set_xlabel('region')

6. ax.set_ylabel('kind')

7. f.savefig('sns_heatmap_normal.jpg', bbox_inches='tight')

8. # ax.set_xticklabels(ax.get_xticklabels(), rotation=-90)

2 Seaborn的heatmap各个参数介绍

seaborn.heatmap

seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annotkws=None, linewidths=0, linecolor='white', cbar=True, cbarkws=None, cbar_ax=None, square=False, ax=None, xticklabels=True, yticklabels=True, mask=None, **kwargs)

• data：矩阵数据集，可以使numpy的数组（array），如果是pandas的dataframe，则df的index/column信息会分别对应到heatmap的columns和rows

• linewidths,热力图矩阵之间的间隔大小

• vmax,vmin, 图例中最大值和最小值的显示值，没有该参数时默认不显示

2.1 cmap

• cmap：matplotlib的colormap名称或颜色对象；如果没有提供，默认为cubehelix map (数据集为连续数据集时) 或 RdBu_r (数据集为离散数据集时)

1. f, (ax1,ax2) = plt.subplots(figsize = (10, 8),nrows=2)

2. # cubehelix map颜色

3. cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True)

4. sns.heatmap(pt, linewidths = 0.05, ax = ax1, vmax=15000, vmin=0, cmap=cmap)

5. ax1.set_title('cubehelix map')

6. ax1.set_xlabel('')

7. ax1.set_xticklabels([]) #设置x轴图例为空值

8. ax1.set_ylabel('kind')

9. # matplotlib colormap

10. sns.heatmap(pt, linewidths = 0.05, ax = ax2, vmax=15000, vmin=0, cmap='rainbow')

11. # rainbow为 matplotlib 的colormap名称

12. ax2.set_title('matplotlib colormap')

13. ax2.set_xlabel('region')

14. ax2.set_ylabel('kind')

15. f.savefig('sns_heatmap_cmap.jpg', bbox_inches='tight')

2.2 center

• center:将数据设置为图例中的均值数据，即图例中心的数据值；通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变

1. f, (ax1,ax2) = plt.subplots(figsize = (10, 8),nrows=2)

2. cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True)

3. sns.heatmap(pt, linewidths = 0.05, ax = ax1, vmax=15000, vmin=0, cmap=cmap, center=None )

4. # center为None时，由于最小值为0，最大值为15000，相当于center值为vamx和vmin的均值，即7500

5. ax1.set_title('center=None')

6. ax1.set_xlabel('')

7. ax1.set_xticklabels([]) #设置x轴图例为空值

8. ax1.set_ylabel('kind')

9. sns.heatmap(pt, linewidths = 0.05, ax = ax2, vmax=15000, vmin=0, cmap=cmap, center=3000 )

10. # 由于均值为2000，当center设置为3000时，大部分数据会比7500大，所以center=3000时，生成的图片颜色要深

11. # 设置center数据时，如果有数据溢出，则手动设置的vmax或vmin会自动改变

12. ax2.set_title('center=3000')

13. ax2.set_xlabel('region')

14. ax2.set_ylabel('kind')

15. f.savefig('sns_heatmap_center.jpg', bbox_inches='tight')

2.3 robust

1. f, (ax1,ax2) = plt.subplots(figsize = (10, 8),nrows=2)

2. cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True)

3. sns.heatmap(pt, linewidths = 0.05, ax = ax1, cmap=cmap, center=None, robust=False )

4. # robust默认为False

5. ax1.set_title('robust=False')

6. ax1.set_xlabel('')

7. ax1.set_xticklabels([]) #设置x轴图例为空值

8. ax1.set_ylabel('kind')

9. sns.heatmap(pt, linewidths = 0.05, ax = ax2, cmap=cmap, center=None, robust=True )

10. # If True and vmin or vmax are absent, the colormap range is computed with robust quantiles instead of the extreme values.

11. ax2.set_title('robust=True')

12. ax2.set_xlabel('region')

13. ax2.set_ylabel('kind')

14. f.savefig('sns_heatmap_robust.jpg', bbox_inches='tight')

2.4 mask

1. f, (ax1,ax2) = plt.subplots(figsize = (10, 8),nrows=2)

2. cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True)

3. p1 = sns.heatmap(pt, linewidths = 0.05,ax=ax1, vmax=15000, vmin=0, cmap=cmap, center=None, robust=False, mask=None )

4. # robust默认为False

5. ax1.set_title('mask=None')

6. ax1.set_xlabel('')

7. ax1.set_xticklabels([]) #设置x轴图例为空值

8. ax1.set_ylabel('kind')

9. p2 = sns.heatmap(pt, linewidths = 0.05, ax=ax2, vmax=15000, vmin=0, cmap=cmap, center=None, robust=False, annot=False,mask=pt<10000 )

10. # mask: boolean array or DataFrame

11. ax2.set_title('mask: boolean DataFrame')

12. ax2.set_xlabel('region')

13. ax2.set_ylabel('kind')

14. f.savefig('sns_heatmap_mask.jpg', bbox_inches='tight')

2.5 xticklabels, yticklabels

• xticklabels: 如果是True，则绘制dataframe的列名。如果是False，则不绘制列名。如果是列表，则绘制列表中的内容作为xticklabels。 如果是整数n，则绘制列名，但每个n绘制一个label。 默认为True。

• yticklabels: 如果是True，则绘制dataframe的行名。如果是False，则不绘制行名。如果是列表，则绘制列表中的内容作为yticklabels。 如果是整数n，则绘制列名，但每个n绘制一个label。 默认为True。默认为True。

1. f, (ax1,ax2) = plt.subplots(figsize = (10, 8),nrows=2)

2. cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True)

3. p1 = sns.heatmap(pt, linewidths = 0.05,ax=ax1, vmax=15000, vmin=0, cmap=cmap, center=None, robust=False, mask=None, xticklabels=False )

4. # robust默认为False

5. ax1.set_title('xticklabels=None')

6. ax1.set_xlabel('')

7. # ax1.set_xticklabels([]) #设置x轴图例为空值

8. ax1.set_ylabel('kind')

9. p2 = sns.heatmap(pt, linewidths = 0.05, ax=ax2, vmax=15000, vmin=0, cmap=cmap, center=None, robust=False, annot=False,mask=None,xticklabels=3, yticklabels=list(range(20)) )

10. # mask: boolean array or DataFrame

11. ax2.set_title('xticklabels=3, yticklabels is a list')

12. ax2.set_xlabel('region')

13. ax2.set_ylabel('kind')

14. f.savefig('sns_heatmap_xyticklabels.jpg', bbox_inches='tight')

2.6 annot

• annotate的缩写，annot默认为False，当annot为True时，在heatmap中每个方格写入数据

• annot_kws，当annot为True时，可设置各个参数，包括大小，颜色，加粗，斜体字等

1. np.random.seed(0)

2. x = np.random.randn(10, 10)

3. f, (ax1, ax2) = plt.subplots(figsize=(8,8),nrows=2)

4. sns.heatmap(x, annot=True, ax=ax1)

5. sns.heatmap(x, annot=True, ax=ax2, annot_kws={'size':9,'weight':'bold', 'color':'blue'})

6. # Keyword arguments for ax.text when annot is True.

7. # http://stackoverflow.com/questions/35024475/seaborn-heatmap-key-words

8. f.savefig('sns_heatmap_annot.jpg')

**关于annot_kws的设置，还有很多值得研究的地方，ax.text有很多属性，有兴趣的可以去研究下；

ax.text可参考官方文档：http://matplotlib.org/api/text_api.html#matplotlib.text.Text

2.7 fmt

• fmt，格式设置

1. np.random.seed(0)

2. x = np.random.randn(10, 10)

3. f, (ax1, ax2) = plt.subplots(figsize=(8,8),nrows=2)

4. sns.heatmap(x, annot=True, ax=ax1)

5. sns.heatmap(x, annot=True, fmt='.1f', ax=ax2)

6. f.savefig('sns_heatmap_fmt.jpg')

3 案例应用：突出显示某些数据

3.1 method 1：利用mask来实现

1. f,ax=plt.subplots(figsize=(10,5))

2. x = np.random.randn(10, 10)

3. sns.heatmap(x, annot=True, ax=ax)

4. sns.heatmap(x, mask=x < 1, cbar=False, ax=ax,

5.            annot=True, annot_kws={"weight": "bold"})

6. f.savefig('sns_heatmap_eg1.jpg')

3.2 method 2：利用ax.texts来实现

1. f,ax=plt.subplots(figsize=(10,5))

2. flights = sns.load_dataset("flights")

3. flights = flights.pivot("month", "year", "passengers")

4. pic = sns.heatmap(flights, annot=True, fmt="d", ax=ax)

5. for text in pic.texts:

6.    text.set_size(8)

7.    if text.get_text() == '118':

8.        text.set_size(12)

9.        text.set_weight('bold')

10.        text.set_style('italic')

11. f.savefig('sns_heatmap_eg2.jpg')

你可能会发现本文中seaborn的heatmap中还有些参数没有进行介绍，介于篇幅，这里就不在啰嗦了，建议各位小伙伴自己可以研究下其他参数如何使用。

如需转载，请在公众号留言进行授权事宜沟通。

转载请注明文章来自微信公众号“Python数据之道”。

更多精彩内容请关注微信公众号：

“Python数据之道”