pandas 热力图|极客教程

pandas 热力图

热力图是一种用颜色变化来表示数据值的图表，它可以帮助我们直观地分析数据之间的关系和趋势。在数据分析领域，热力图经常被用来展示数据的相关性或者相似性，通过热力图，我们可以清晰地看到哪些数据之间存在强烈的相关性或者高度的相似性。

在本文中，我们将介绍如何使用 pandas 库来绘制热力图，以及如何对热力图进行定制化。我们将首先介绍 pandas 库和热力图的基本概念，然后我们将通过一个示例来演示如何使用 pandas 库来绘制热力图。

pandas 简介

pandas 是一个提供高性能数据操作的 Python 库，它提供了一系列用于数据处理和分析的数据结构和函数。pandas 最核心的数据结构是 Series 和 DataFrame。Series 是一个一维数组，它包含了一组数据和与之相关联的标签（索引）；DataFrame 是一个二维表格，它由多个 Series 组成，每个 Series 代表一列数据。

pandas 提供了许多函数和方法来操作数据，包括数据的读取、清洗、筛选、聚合等操作，同时也提供了数据可视化的功能。其中，绘制热力图是 pandas 提供的一种常用的数据可视化方式，可以帮助我们直观地理解数据之间的关系和趋势。

绘制热力图

要绘制热力图，我们首先需要准备数据。在示例中，我们将使用一个包含股票价格数据的 DataFrame 来演示如何绘制热力图。我们将假设 DataFrame 的行代表不同的股票，列代表不同的日期，数据值代表相应股票在该日期的价格。现在，让我们来看看如何绘制这个 DataFrame 的热力图：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 创建一个包含随机股票价格数据的 DataFrame
np.random.seed(0)
data = np.random.rand(10, 5)
dates = pd.date_range('20220101', periods=5)
stocks = ['AAPL', 'GOOGL', 'TSLA', 'MSFT', 'AMZN']
df = pd.DataFrame(data, index=stocks, columns=dates)
df.columns.name = 'Date'

# 绘制热力图
plt.figure(figsize=(10, 6))
plt.matshow(df, cmap='coolwarm')
plt.xticks(range(len(df.columns)), df.columns, rotation=45)
plt.yticks(range(len(df.index)), df.index)
plt.colorbar()
plt.show()

在上面的示例代码中，我们首先创建了一个包含随机股票价格数据的 DataFrame，并指定了行索引（股票名称）和列索引（日期）。然后，我们使用 matplotlib 库的 matshow 函数来绘制热力图，指定了颜色映射为 ‘coolwarm’。最后，我们通过设置 x 轴和 y 轴的刻度以及添加色标来完善图表。

运行以上代码后，我们将得到一个展示股票价格数据相关性的热力图。在这个热力图中，不同的颜色表示不同的数值大小，从而展示了不同股票在不同日期的价格变化情况。

对热力图进行定制化

除了基本的热力图外，我们还可以对热力图进行定制化，以满足特定的需求。我们可以调整颜色映射、添加标签、设置图例等来使热力图更具可视化效果。接下来，让我们演示如何对热力图进行一些常用的定制化操作：

import seaborn as sns

# 使用 seaborn 库绘制热力图
plt.figure(figsize=(10, 6))
sns.heatmap(df, cmap='YlGnBu', annot=True, fmt=".2f", linewidths=0.5)
plt.xticks(rotation=45)
plt.show()

在上面的示例代码中，我们使用了 seaborn 库来绘制热力图，通过设置 cmap 参数指定了颜色映射为 ‘YlGnBu’。我们还设置了 annot 参数为 True，让图中显示数值，并通过 fmt 参数设置了数值的格式为保留两位小数。最后，我们通过设置 linewidths 参数控制了绘制格网线的宽度，并设置了 x 轴标签的旋转角度。

运行以上代码后，我们将得到一个展示股票价格数据相关性的定制化热力图。在这个定制化热力图中，我们通过调整颜色映射和数值显示格式，使得图表更加清晰易读。