python中使用matplotlib绘制热力图

热力图，是一种通过对色块着色来显示数据的统计图表。
它通过使用颜色编码来表示数据的值，并在二维平面上呈现出来。
热力图通常用于显示大量数据点的密度、热点区域和趋势。

绘图时，一般较大的值由较深的颜色表示，较小的值由较浅的颜色表示；较大的值由偏暖的颜色表示，较小的值由较冷的颜色表示，等等。

热力图适合用于查看总体的情况、发现异常值、显示多个变量之间的差异，以及检测它们之间是否存在任何相关性。

1. 主要元素

热力图的主要元素如下：

• 矩形块：每个矩形块都有一个对应的位置。表示某种属性、频率、密度等。
• 颜色映射：通常使用渐变色带来表示数值的大小或密度。常见的颜色映射包括从冷色调（如蓝色）到热色调（如红色）的渐变，表示数值从低到高的变化。
• 热力密度：通过颜色的深浅来表示数据的密度或频率。较浅的颜色表示较低的密度或频率，而较深的颜色表示较高的密度或频率。
• 坐标轴：热力图通常在二维平面上显示，因此会有两个坐标轴，分别表示水平和垂直方向上的位置。

2. 适用的场景

热力图适用于以下分析场景：

• 数据密度分析：显示数据点的密度分布情况。它可以帮助用户观察数据的聚集区域和稀疏区域，从而揭示数据的分布模式和趋势。
• 热点区域识别：识别数据中的热点区域，即数据密度较高的区域。对于发现热门地区、热门产品或热门事件等具有重要意义。
• 趋势分析：通过观察颜色的变化，可以分析数据在不同区域或时间段的变化趋势。
• 空间数据分析：在地理信息系统（GIS）和位置数据分析中，可以显示地理空间上的数据分布和密度，帮助用户理解地理区域的特征和差异。
• 网站流量分析：显示用户在网页上的点击热度和浏览热度。这有助于优化网站布局、改进用户体验和提高转化率。

3. 不适用的场景

热力图在以下分析场景中可能不适用：

• 无序数据：对于无序的数据，热力图可能无法提供有意义的分析结果。
• 数据缺失：如果数据中存在大量缺失值或空白区域，可能无法准确地反映数据的密度和分布情况。
• 多个并行路径：通常用于展示单一维度的数据分布情况。如果需要同时比较多个维度或路径的数据，热力图可能不是最合适的选择。

4. 分析实战

本次分析今年上半年南京主要的几个区二手房的成交数量情况。

4.1. 数据来源

数据来自链家网南京地区的二手房成交的页面。
整理好的数据可以从下面的地址下载：https://databook.top/lianjia/nj

各个区的二手房交易数据已经整理成csv格式。

import os
df_dict = {}
#数据解压的地址
fp = "d:/share/data/南京二手房交易"
for f in os.listdir(fp):
    df = pd.read_csv(os.path.join(fp, f))
    df_dict[f] = df
df_dict  #合并所有区的数据

4.2. 数据清理

清理数据的主要几个步骤：

• 把dealDate列转换为 日期（datetime）格式
• 按周统计的交易数量
• 统计结果保存到新的字典中（df_stat），取日期最近的10条

df_stat = {}
for k, df in df_dict.items():
    df["dealDate"] = pd.to_datetime(df["dealDate"])
    # 最近10周的交易量
    week_sum = df.resample("W", on="dealDate").name.count()
    week_sum = week_sum.sort_index(ascending=False)
    df_stat[k.replace(".csv", "")] = week_sum.head(10)
df_stat

4.3. 分析结果可视化

更加各个区的成交数量绘制最近10周的交易热力图。

x_labels = []
y_labels = df_stat.keys() # Y周的标签
data = []
for _, v in df_stat.items():
    if len(x_labels) == 0: # X轴的日期标签
        x_labels = v.index.strftime("%Y-%m-%d").tolist()
        x_labels.reverse()
    v = v.sort_index()
    data.append(v.tolist())
plt.xticks(ticks=np.arange(len(x_labels)), 
           labels=x_labels,
           rotation=45)
plt.yticks(ticks=np.arange(len(y_labels)), 
           labels=y_labels)
plt.imshow(data, cmap=plt.cm.hot_r)
plt.colorbar()
plt.show()

从热力图中可以看出，江宁区和浦口区的成交数量明显多于其他区，尤其是江宁区。
其次是鼓楼区和秦淮区稍好一些（可能和这2个区学区房比较多有关），而溧水区和六合区明显交易量不行。

以上就是python中使用matplotlib绘制热力图的详细内容，更多关于python matplotlib热力图的资料请关注脚本之家其它相关文章！