本文共 1184 字，大约阅读时间需要 3 分钟。
在数据分析与可视化中，热图是一种强大的工具，可以直观地展示数据的分布特征。以下是使用 Python 的两种方法实现热图的代码示例，以及如何优化代码以获得更好的可视化效果。
import matplotlib.pyplot as pltimport numpy as npimport seaborn as sns# 导入数据文件，注意文件路径需要调整到正确的位置data = pd.read_csv('hubei.csv', engine='python', sep=',', encoding='utf_8_sig')# 提取数据区域df = df.iloc[:, 2:32].astype(int)# 绘制热图plt.matshow(df, cmap='hot')plt.colorbar()plt.show() import seaborn as sns# 调整数据索引为列名df = df.set_index(['列名'])# 使用层次聚类绘制热图sns.clustermap(df, method='ward', metric='euclidean')plt.show()
数据处理与预处理
使用pd.read_csv 导入数据文件，确保文件路径正确。提取数据区域时，可以根据实际需求调整列的范围。使用 astype(int) 确保数据类型为整数，避免类型转换错误。热图绘制
plt.matshow 是 matplotlib 的默认热图绘制函数，cmap='hot' 会使用 'hot' 色彩映射，颜色范围从冷色到热色，适合展示数据的高低分布。plt.colorbar() 添加颜色条，方便查看颜色对应的数据值。plt.show() 展示最终图形。seaborn 的优势
seaborn.clustermap 函数可以通过层次聚类将数据分组，并自动绘制热图，适合处理多样性较高的数据集。set_index 方法可以将数据的列名设置为索引，方便后续的数据操作。调整色彩映射
根据数据分布选择合适的cmap 参数，例如 'viridis' 适合展示连续性变化的数据。优化布局
使用plt.tight_layout() 调整图表布局，避免图表重叠。添加注释
在代码中添加详细注释，确保读者能够理解每一步操作。保存图表
使用plt.savefig() 将图表保存为图片格式，方便后续使用。通过以上方法，可以灵活选择适合自己数据分析需求的工具，并通过优化代码实现更直观的数据可视化效果。
转载地址：http://pwnfk.baihongyu.com/