热力图函数python,热力图图例

python可视化数据分析常用图大集合（收藏）

python数据分析常用图大集合：包含折线图、直方图、垂直条形图、水平条形图、饼图、箱线图、热力图、散点图、蜘蛛图、二元变量分布、面积图、六边形图等12种常用可视化数据分析图，后期还会不断的收集整理，请关注更新！

以下默认所有的操作都先导入了numpy、pandas、matplotlib、seaborn

一、折线图

折线图可以用来表示数据随着时间变化的趋势

Matplotlib

plt.plot(x, y)

plt.show()

Seaborn

df = pd.DataFrame({'x': x, 'y': y})

sns.lineplot(x="x", y="y", data=df)

plt.show()

二、直方图

直方图是比较常见的视图，它是把横坐标等分成了一定数量的小区间，然后在每个小区间内用矩形条（bars）展示该区间的数值

Matplotlib

Seaborn

三、垂直条形图

条形图可以帮我们查看类别的特征。在条形图中，长条形的长度表示类别的频数，宽度表示类别。

Matplotlib

Seaborn

1plt.show()

四、水平条形图

五、饼图

六、箱线图

箱线图由五个数值点组成：最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数 (Q3, Q1)。

可以帮我们分析出数据的差异性、离散程度和异常值等。

Matplotlib

Seaborn

七、热力图

力图，英文叫 heat map，是一种矩阵表示方法，其中矩阵中的元素值用颜色来代表，不同的颜色代表不同大小的值。通过颜色就能直观地知道某个位置上数值的大小。

通过 seaborn 的 heatmap 函数，我们可以观察到不同年份，不同月份的乘客数量变化情况，其中颜色越浅的代表乘客数量越多

八、散点图

散点图的英文叫做 scatter plot，它将两个变量的值显示在二维坐标中，非常适合展示两个变量之间的关系。

Matplotlib

Seaborn

九、蜘蛛图

蜘蛛图是一种显示一对多关系的方法，使一个变量相对于另一个变量的显著性是清晰可见

十、二元变量分布

二元变量分布可以看两个变量之间的关系

十一、面积图

面积图又称区域图，强调数量随时间而变化的程度，也可用于引起人们对总值趋势的注意。

堆积面积图还可以显示部分与整体的关系。折线图和面积图都可以用来帮助我们对趋势进行分析，当数据集有合计关系或者你想要展示局部与整体关系的时候，使用面积图为更好的选择。

十二、六边形图

六边形图将空间中的点聚合成六边形，然后根据六边形内部的值为这些六边形上色。

原文至：

相关问答

Q1: 用Python生成了热力图，怎么把每个格子边框改成六边形框

改不了吧。。。。或者说很难？你生成的热力图是用了什么库怎么生成的？还是自己写的？

要把矩形变成六边形，我感觉只能自己写了吧。

我有个想法，那个等边六边形可以拆成上下各三个等边三角形吧。那 这些六边形拼在一起，实际上就是这些等边三角形拼在一起。那就先把各个矩形的值投射到三角形上，在把三角形组合成六边形，求个均值，然后填色

Q2: python画热力图

python中可使用seaborn.heatmap画热力图， 官方文档在这

在分类任务中，也可用于画混淆矩阵：

一些参数的含义：

例子：

将最后一行改为，设置最大值和最小值：

设置中心值：

从文件中获取数据，并画图给出有意义的横纵坐标：

将passengers对应的人数标出：

设置方格之间的间隔：

设置使用不同的颜色：

以某个具体的数据为中心：

自动填充坐标值：

不画右边的热度条：

Q3: python怎样采集微信热力图

1）打开微信进入应用后点击导航栏【我】，接着点击【钱包】，进入钱包后点击【城市服务】。 2）接着点击【城市热力图】，接着点击上方【搜索栏】。 3）搜索找到你要去的【地方】，就可以查看到该地区的【热力图和提示

Q4: python--seaborn热力图

热力图的一个常见应用场景是绘制相关系数热力图，数据准备一个相关系数矩阵。

调用 heatmap 方法绘制热力图。

设置 vmin 和 vmax 参数可以调整调色板的下限值和上限值。

设置 cmap 参数，可以修改调色板样式。

设置参数 cbar=False 可以隐藏图例。

设置参数 annot=True 可以显示热力图上的具体数值，设置 fmt 参数，可以修改数值显示的样式。

Q5: Python热力图绘制方法—新手教程

# Python热力图绘制方法

热力图的使用场景有 

1.描述数据在空间的密集程度，常见有城市热力图，区域热力图

2.描述多个变量之间相关性高低程度

# step 1 准备数据集，读取excel列表内容，usecols = index, 这里是表里的第一列不读取。

index =range(1, 11)

dataset = np.array(pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=index))

# step 2  读取excel行索引转成列表，作为热力图的y轴标签

a = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=[0]))

y_label =list(a.stack())

# step 3 读取excel列索引转成列表，作为热力图的x轴标签

b = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv'))

column_index=(b.columns.tolist())

x_label = column_index[1:]

# 这一步是为了计算热力图的数据的最大值，可以进行标准化处理，也可以直接显示数据，dataframe转成list，从list里面寻找最大值

dataset_max = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=index))

list1 = np.array(dataset_max.stack())

max_number =max(list1)

# step 4 开始绘制热力图

plt.figure(figsize=(14, 8))# 定义输出图像大小，annot参数决定是否在热力图上显示数值，Vmax,Vmin表示最大最小值，cmap表示颜色

sns.heatmap(dataset, fmt='.0f', annot=True, vmin=0, vmax=max_number, cmap='Reds', yticklabels=y_label,

            xticklabels=x_label)

# 绘制标签

plt.xlabel('This is x label', labelpad=15)

plt.ylabel('This is y label', labelpad=20)

plt.show()