Python matplotlib绘制热图实战：参数配置与配色方案详解

在Python生态中，matplotlib是最为常用的绘图库之一。近期在进行公司内部数据可视化工作时，意外发现利用matplotlib绘制热图不仅效果直观，而且代码实现非常简洁。鉴于涉及商业数据保密，此处将使用随机生成的模拟数据进行演示与分享。

import random
from matplotlib import pyplot as plt
from matplotlib import cm
from matplotlib import axes
from matplotlib.font_manager import FontProperties
font = FontProperties(fname='/Library/Fonts/Songti.ttc')
 
def draw():
 #定义热图的横纵坐标
 xLabel = ['A','B','C','D','E']
 yLabel = ['1','2','3','4','5']
 
 #准备数据阶段，利用random生成二维数据（5*5）
 data = []
 for i in range(5):
  temp = []
  for j in range(5):
   k = random.randint(0,100)
   temp.append(k)
  data.append(temp)
 
 #作图阶段
 fig = plt.figure()
 #定义画布为1*1个划分，并在第1个位置上进行作图
 ax = fig.add_subplot(111)
 #定义横纵坐标的刻度
 ax.set_yticks(range(len(yLabel)))
 ax.set_yticklabels(yLabel, fontproperties=font)
 ax.set_xticks(range(len(xLabel)))
 ax.set_xticklabels(xLabel)
 #作图并选择热图的颜色填充风格，这里选择hot
 im = ax.imshow(data, cmap=plt.cm.hot_r)
 #增加右侧的颜色刻度条
 plt.colorbar(im)
 #增加标题
 plt.title("This is a title", fontproperties=font)
 #show
 plt.show()
 
d = draw()

最终生成的热图效果如下图所示：

为了更直观地展示二维数值矩阵与生成的热图之间的映射关系，我们将对应的二维矩阵数据打印输出如下：

[[17, 96, 11, 99, 83], [18, 17, 58, 18, 80], [87, 79, 15, 53, 4], [86, 53, 48, 36, 23], [25, 4, 94, 100, 71]]

通过对比上述矩阵与图像，可以观察到图像的左上角对应坐标原点，且矩阵的第一行数据对应热图的第一行，后续行以此类推。同时可见，矩阵中数值越大的单元格，在热图中显示的颜色越深。这一行为可通过修改代码中的cmap参数来调整，例如将im = ax.imshow(data, cmap=plt.cm.hot_r)中的cmap设为hot_r，其中后缀_r表示颜色随数值增大而变深；若希望数值越大颜色越浅，则直接使用hot即可。hot是热图配色主题之一，其他可选的主题色参数包括：

• hot：颜色从黑色平滑过渡到红色、橙色和黄色背景，最后渐变为白色。
• cool：包含青绿色和品红色的阴影色调，从青绿色平滑变化至品红色。
• gray：返回线性的灰度色图。
• bone：一种带有较高蓝色成分的灰度色图，常用于给灰度图添加电子视图效果。
• white：全白色的单色色图。
• spring：包含品红和黄色的阴影颜色。
• summer：包含绿色和黄色的阴影颜色。
• autumn：颜色从红色平滑变化到橙色，再过渡到黄色。
• winter：包含蓝色和绿色的阴影色调。

此外，右侧的颜色刻度条（colorbar）也是可选配置，若代码中未添加相关语句，则不会显示该刻度条。

以上内容即为本次关于Python matplotlib绘制热图的完整分享，希望能对读者的学习有所帮助，也欢迎大家继续支持本站获取更多技术内容。