使用散佈數據集在MatPlotLib中生成熱圖

Question

我有一組X，Y數據點（大約10k），這些數據點很容易作爲散點圖進行繪製，但我想將其表示爲熱圖。

我翻看了MatPlotLib中的例子，它們似乎都已經開始使用熱圖單元格值來生成圖像。

有沒有一種方法可以將一堆x，y，所有不同的東西都轉換成熱圖（其中x，y頻率更高的區域會變得更暖和）？

Answer 1

如果你不想六邊形，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() 

這使得50×50熱圖。如果你想要的話，比如512x384，你可以在histogram2d的電話中輸入bins=(512, 384)。

例子：

Answer 2

製作一個二維數組，對應於最終圖像中的單元格，稱爲heatmap_cells並將其實例化爲全零。

選擇兩個比例因子，用於定義每個數組元素在實際單位中的差異，如x_scale和y_scale。選擇這些，使所有的數據點落在熱圖數組的範圍內。

對於每個數據點的原始與x_value和y_value：

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

Answer 3

在Matplotlib詞彙，我想你想一個hexbin情節。

如果你不熟悉這種類型的情節，它只是一個雙變量直方圖其中xy平面是由一個規則的六邊形網格細分。因此，從直方圖中，您可以統計每個六邊形中落入的點的數量，將繪圖區域離散化爲一組，將每個點分配給其中一個窗口;最後，將窗口映射到顏色數組，並且您有一個六進製圖表。

雖然不太常用的比例如，圓形，或正方形，該六邊形是用於合併容器的幾何形狀較好的選擇是直觀的：

• 六邊形具有最近鄰對稱性（例如，方箱不這樣做， 例如，從距離一個正方形的邊框一個點點 那個廣場裏面是不是到處相等）和

• 六邊形是給出的最高n多邊形普通平面 鑲嵌（即，您可以安全地用六角形瓷磚重新塑造您的廚房地板，因爲當您完成後，瓷磚之間不會有任何空隙空間 - 對於所有其他更高-n，n> = 7的多邊形不是正確的）。

（Matplotlib使用術語hexbin情節;所以做（據我所知）所有plotting libraries爲[R;還有我不知道這是否是對本地塊普遍接受的術語類型，但我懷疑這是可能的因爲hexbin是短期的六邊形合併，這是描述在準備數據用於顯示的必要步驟。）

---

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，這在一般產生相當難看直方圖的，我想回收py-sphviewer，一個用於使用自適應平滑內核渲染粒子模擬的python包，可以從pip輕鬆安裝（請參閱網頁文檔）。考慮下面的代碼，這是基於例如：

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() 

產生如下圖：

正如你看到的，圖像看起來相當不錯，我們能夠確定不同的子結構。這些圖像被構造爲對於某個域內的每個點擴展給定的權重，由平滑長度定義，這又由鄰近的距離給出（我已經選擇了16,32和64的例子）。因此，與較低密度區域相比，較高密度區域通常遍佈較小區域。

函數myplot只是一個非常簡單的函數，我爲了給x，y數據提供py-sphviewer來做魔術。

Answer 6

Seaborn現在有jointplot function應該很好的工作在這裏：

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

我知道這是一個老問題，但想添加一些亞歷杭德羅的anwser：如果你想有一個很好的平滑沒有使用py-sphviewer的圖像，你可以改爲使用np.histogram2d並應用高斯過濾器（從scipy.ndimage.filters）到熱圖：

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() 

產地：