使用散布数据集在MatPlotLib中生成热图

Question

我有一组X，Y数据点（大约10k），这些数据点很容易作为散点图进行绘制，但我想将其表示为热图。

我翻看了MatPlotLib中的例子，它们似乎都已经开始使用热图单元格值来生成图像。

有没有一种方法可以将一堆x，y，所有不同的东西都转换成热图（其中x，y频率更高的区域会变得更暖和）？

Answer 1

如果你不想六边形，您可以使用numpy的的histogram2d功能：

import numpy as np 
import numpy.random 
import matplotlib.pyplot as plt 

# Generate some test data 
x = np.random.randn(8873) 
y = np.random.randn(8873) 

heatmap, xedges, yedges = np.histogram2d(x, y, bins=50) 
extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]] 

plt.clf() 
plt.imshow(heatmap.T, extent=extent, origin='lower') 
plt.show() 

这使得50×50热图。如果你想要的话，比如512x384，你可以在histogram2d的电话中输入bins=(512, 384)。

例子：

Answer 2

制作一个二维数组，对应于最终图像中的单元格，称为heatmap_cells并将其实例化为全零。

选择两个比例因子，用于定义每个数组元素在实际单位中的差异，如x_scale和y_scale。选择这些，使所有的数据点落在热图数组的范围内。

对于每个数据点的原始与x_value和y_value：

heatmap_cells[floor(x_value/x_scale),floor(y_value/y_scale)]+=1

Answer 3

在Matplotlib词汇，我想你想一个hexbin情节。

如果你不熟悉这种类型的情节，它只是一个双变量直方图其中xy平面是由一个规则的六边形网格细分。因此，从直方图中，您可以统计每个六边形中落入的点的数量，将绘图区域离散化为一组，将每个点分配给其中一个窗口;最后，将窗口映射到颜色数组，并且您有一个六进制图表。

虽然不太常用的比例如，圆形，或正方形，该六边形是用于合并容器的几何形状较好的选择是直观的：

• 六边形具有最近邻对称性（例如，方箱不这样做， 例如，从距离一个正方形的边框一个点点 那个广场里面是不是到处相等）和

• 六边形是给出的最高n多边形普通平面 镶嵌（即，您可以安全地用六角形瓷砖重新塑造您的厨房地板，因为当您完成后，瓷砖之间不会有任何空隙空间 - 对于所有其他更高-n，n> = 7的多边形不是正确的）。

（Matplotlib使用术语hexbin情节;所以做（据我所知）所有plotting libraries为[R;还有我不知道这是否是对本地块普遍接受的术语类型，但我怀疑这是可能的因为hexbin是短期的六边形合并，这是描述在准备数据用于显示的必要步骤。）

---

from matplotlib import pyplot as PLT 
from matplotlib import cm as CM 
from matplotlib import mlab as ML 
import numpy as NP 

n = 1e5 
x = y = NP.linspace(-5, 5, 100) 
X, Y = NP.meshgrid(x, y) 
Z1 = ML.bivariate_normal(X, Y, 2, 2, 0, 0) 
Z2 = ML.bivariate_normal(X, Y, 4, 1, 1, 1) 
ZD = Z2 - Z1 
x = X.ravel() 
y = Y.ravel() 
z = ZD.ravel() 
gridsize=30 
PLT.subplot(111) 

# if 'bins=None', then color of each hexagon corresponds directly to its count 
# 'C' is optional--it maps values to x-y coordinates; if 'C' is None (default) then 
# the result is a pure 2D histogram 

PLT.hexbin(x, y, C=z, gridsize=gridsize, cmap=CM.jet, bins=None) 
PLT.axis([x.min(), x.max(), y.min(), y.max()]) 

cb = PLT.colorbar() 
cb.set_label('mean value') 
PLT.show() 

Answer 4

如果您正在使用的1.2.x

 
x = randn(100000) 
y = randn(100000) 
hist2d(x,y,bins=100); 

Answer 5

而不是使用np.hist2d，这在一般产生相当难看直方图的，我想回收py-sphviewer，一个用于使用自适应平滑内核渲染粒子模拟的python包，可以从pip轻松安装（请参阅网页文档）。考虑下面的代码，这是基于例如：

import numpy as np 
import numpy.random 
import matplotlib.pyplot as plt 
import sphviewer as sph 

def myplot(x, y, nb=32, xsize=500, ysize=500): 
    xmin = np.min(x) 
    xmax = np.max(x) 
    ymin = np.min(y) 
    ymax = np.max(y) 

    x0 = (xmin+xmax)/2. 
    y0 = (ymin+ymax)/2. 

    pos = np.zeros([3, len(x)]) 
    pos[0,:] = x 
    pos[1,:] = y 
    w = np.ones(len(x)) 

    P = sph.Particles(pos, w, nb=nb) 
    S = sph.Scene(P) 
    S.update_camera(r='infinity', x=x0, y=y0, z=0, 
        xsize=xsize, ysize=ysize) 
    R = sph.Render(S) 
    R.set_logscale() 
    img = R.get_image() 
    extent = R.get_extent() 
    for i, j in zip(xrange(4), [x0,x0,y0,y0]): 
     extent[i] += j 
    print extent 
    return img, extent 

fig = plt.figure(1, figsize=(10,10)) 
ax1 = fig.add_subplot(221) 
ax2 = fig.add_subplot(222) 
ax3 = fig.add_subplot(223) 
ax4 = fig.add_subplot(224) 


# Generate some test data 
x = np.random.randn(1000) 
y = np.random.randn(1000) 

#Plotting a regular scatter plot 
ax1.plot(x,y,'k.', markersize=5) 
ax1.set_xlim(-3,3) 
ax1.set_ylim(-3,3) 

heatmap_16, extent_16 = myplot(x,y, nb=16) 
heatmap_32, extent_32 = myplot(x,y, nb=32) 
heatmap_64, extent_64 = myplot(x,y, nb=64) 

ax2.imshow(heatmap_16, extent=extent_16, origin='lower', aspect='auto') 
ax2.set_title("Smoothing over 16 neighbors") 

ax3.imshow(heatmap_32, extent=extent_32, origin='lower', aspect='auto') 
ax3.set_title("Smoothing over 32 neighbors") 

#Make the heatmap using a smoothing over 64 neighbors 
ax4.imshow(heatmap_64, extent=extent_64, origin='lower', aspect='auto') 
ax4.set_title("Smoothing over 64 neighbors") 

plt.show() 

产生如下图：

正如你看到的，图像看起来相当不错，我们能够确定不同的子结构。这些图像被构造为对于某个域内的每个点扩展给定的权重，由平滑长度定义，这又由邻近的距离给出（我已经选择了16,32和64的例子）。因此，与较低密度区域相比，较高密度区域通常遍布较小区域。

函数myplot只是一个非常简单的函数，我为了给x，y数据提供py-sphviewer来做魔术。

Answer 6

Seaborn现在有jointplot function应该很好的工作在这里：

import numpy as np 
import seaborn as sns 
import matplotlib.pyplot as plt 

# Generate some test data 
x = np.random.randn(8873) 
y = np.random.randn(8873) 

sns.jointplot(x=x, y=y, kind='hex') 
plt.show() 

Answer 7

我知道这是一个老问题，但想添加一些亚历杭德罗的anwser：如果你想有一个很好的平滑没有使用py-sphviewer的图像，你可以改为使用np.histogram2d并应用高斯过滤器（从scipy.ndimage.filters）到热图：

import numpy as np 
import matplotlib.pyplot as plt 
import matplotlib.cm as cm 
from scipy.ndimage.filters import gaussian_filter 


def myplot(x, y, s, bins=1000): 
    heatmap, xedges, yedges = np.histogram2d(x, y, bins=bins) 
    heatmap = gaussian_filter(heatmap, sigma=s) 

    extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]] 
    return heatmap.T, extent 


fig, axs = plt.subplots(2, 2) 

# Generate some test data 
x = np.random.randn(1000) 
y = np.random.randn(1000) 

sigmas = [0, 16, 32, 64] 

for ax, s in zip(axs.flatten(), sigmas): 
    if s == 0: 
     ax.plot(x, y, 'k.', markersize=5) 
     ax.set_title("Scatter plot") 
    else: 
     img, extent = myplot(x, y, s) 
     ax.imshow(img, extent=extent, origin='lower', cmap=cm.jet) 
     ax.set_title("Smoothing with $\sigma$ = %d" % s) 

plt.show() 

产地：