使用散点数据集生成热图

Question

我有一组 X、Y 数据点（大约 10k），它们很容易绘制为散点图，但我想将其表示为热图。

我查看了 Matplotlib 中的示例，它们似乎都已经从热图单元值开始生成图像。

有没有一种方法可以将一堆不同的 x、y 转换为热图（x、y 频率较高的区域会“更暖”）？

原文由 greye 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

如果你不想要六边形，你可以使用 numpy 的 histogram2d 函数：

 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()

这制作了一个 50x50 的热图。如果你想要 512x384，你可以把 bins=(512, 384) 放在对 histogram2d 的调用中。

例子：

原文由 ptomato 发布，翻译遵循 CC BY-SA 3.0 许可协议

Answer 2

在 Matplotlib 词典中，我认为你想要一个 hexbin 图。

如果您不熟悉这种类型的图，它只是一个 _二元直方图_，其中 xy 平面由规则的六边形网格镶嵌而成。

因此，从直方图中，您可以只计算落在每个六边形中的点数，将绘图区域离散化为一组 _窗口_，将每个点分配给这些窗口中的一个；最后，将窗口映射到一个 颜色数组 上，您就得到了一个 hexbin 图。

虽然不像圆形或正方形那样常用，但六边形是装箱容器几何形状的更好选择是直观的：

• 六边形具有 _最近邻对称性_（例如，方块不具有，例如， 从 正方形边界 上 的点到该正方形内部的点的距离并非处处相等）和

• 六边形是提供 规则平面镶嵌 的最高 n 多边形（即，您可以安全地用六边形瓷砖重新建模厨房地板，因为完成后瓷砖之间不会有任何空隙——不适用于所有其他更高的 n，n >= 7，多边形）。

（ Matplotlib 使用术语 hexbin 图；（AFAIK） R 的所有 绘图库 也是如此；我仍然不知道这是否是此类图的普遍接受的术语，尽管我怀疑这很可能是因为 hexbin 很短对于 _六角分箱_，它描述了准备显示数据的基本步骤。）

---

 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()

原文由 doug 发布，翻译遵循 CC BY-SA 3.0 许可协议