文科生自学Python-用Seaborn/Plotly画热力图

--世界上只有一种真正的英雄主义,就是看清生活的真相之后依然热爱生活，学习编程成就更好的自己--

Python语言简洁生动，特别适合文科生学习入门IT世界，用几十行代码就能够做一个完整的爬虫脚本，开发效率杠杠的！短时间内即可解决工作和学习中碰到的各种棘手问题。(本人外语专业毕业，机缘巧合爱上编程，自学道路曲曲折折，痛并快乐！)在这里总结一下自学Python遇到的难点和重点，分享码过的代码和要点总结，希望能够给初学者一点启示和鼓励，同时愿意结交更多大神交流有助提升自己的水平。

今天分享一下大名鼎鼎的热力图-heatmap，主要使用Seaborn资源库来制图演示，最后也用Plotly做一个简单展示和对比，大家都知道热力图可以生动对比不同数据样本数值大小情况，下面选取的案例样本还是Plotly内置的世界人口数据集：

1.调包并抽取几个国家生成一个特定的数据集合，方便后续制图和演示：

#import plotly to get the datasets
import plotly.graph_objects as go
import plotly_express as px
#import seaborn to draw heatmap
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
#Get a dataset of different countries
df = px.data.gapminder().query("country == ['France','Germany','Italy','Canada','Spain','Thailand','Argentina']") #'Japan'
df["life"] = df["lifeExp"].astype(int)
df["pop-KW"] = (df["pop"]/10000000).astype(int) #GGet pop 1000W
display(df)

选取了法国，德国，意大利，西班牙，加拿大，泰国和阿根廷并查看：

2.在制图之前加工数据成为交叉二维表，方便直接生成热力图

#get the data into a proper pivot to draw heatmap
pop_life_heatmap = df.pivot("country", "year", "life")
display(pop_life_heatmap)

通过pivot方法得到交叉表(抽取寿命长短数据)，一般横向对应的是X轴，纵向对应的是Y轴，表格显示不同国家在不同年代国民平均寿命情况：

3.通过sns.heatmap函数直接绘制热力图

#https://seaborn.pydata.org/generated/seaborn.heatmap.html?highlight=fmt#seaborn.heatmap
fig=sns.heatmap(pop_life_heatmap,annot=False,fmt="d",cmap="RdBu_r")
fig

生成的热力图略小，考虑调整图像大小：

4.添加参数f, ax = plt.subplots(figsize=(x, x))调整图像大小

#https://seaborn.pydata.org/tutorial/color_palettes.html#tools-for-choosing-color-palettes
f, ax = plt.subplots(figsize=(15, 10)) #set the size of heatmap
fig=sns.heatmap(pop_life_heatmap,annot=False,fmt="d",linewidths=0.5,cmap="RdBu_r") #
fig

考虑在每个色块备注上数值，方便更具体的对比：

5.调整参数选项annot=True即可显示数值

#https://seaborn.pydata.org/tutorial/color_palettes.html#tools-for-choosing-color-palettes
f, ax = plt.subplots(figsize=(15, 10)) #set the size of heatmap
fig=sns.heatmap(pop_life_heatmap,annot=True,fmt="d",linewidths=0.5,cmap="RdBu_r") #
fig

是不是感觉有点专业的味道了，而且直观对比不同国家寿命情况：

6.还可变换不同颜色主题风格，且可以调整色块间距

#https://seaborn.pydata.org/tutorial/color_palettes.html#tools-for-choosing-color-palettes
f, ax = plt.subplots(figsize=(15, 10)) #set the size of heatmap
fig=sns.heatmap(pop_life_heatmap,annot=True,fmt="d",linewidths=2,cmap="viridis") #Spectral viridis
fig

参数linewidths可以调整色块间距大小，Seaborn提供了多个不同颜色主题风格，相关链接参考如下：

https://seaborn.pydata.org/tutorial/color_palettes.html#tools-for-choosing-color-palettes：

7.给热力图添加标题

#https://seaborn.pydata.org/tutorial/color_palettes.html#tools-for-choosing-color-palettes
f, ax = plt.subplots(figsize=(15, 10)) #set the size of heatmap
fig=sns.heatmap(pop_life_heatmap,annot=True,fmt="d",linewidths=0.5,cmap="YlOrBr") #viridis YlOrBr
#set title for it
fig.set_title(label="Heatmap of Pop LifeEXP from different Countries",fontdict = {"fontsize":11})
#set position for the xaxis ticks
fig

添加参数set_title即可：

8.把年份标记信息显示调整到上方

#https://seaborn.pydata.org/tutorial/color_palettes.html#tools-for-choosing-color-palettes
f, ax = plt.subplots(figsize=(15, 10)) #set the size of heatmap
fig=sns.heatmap(pop_life_heatmap,annot=True,fmt="d",linewidths=0.5,cmap="Spectral") #viridis YlOrBr
#set title for it
fig.set_title(label="Heatmap of Pop LifeEXP from different Countries",fontdict = {"fontsize":11})
#set position for the xaxis ticks
fig.xaxis.set_ticks_position("top") 
fig

添加和设置参数xaxis.set_ticks_position即可：

看到这里是不是感叹Seaborn真的很给力啊！！！几行代码就能绘制特别优雅的热力图，能够直观展示数据间的大小关系，接下来简单讲一下如何用Plotly实现吧：

9.同样使用刚刚的数据集合

#draw heatmap with plotly
pop_life_heatmap = df.pivot("country", "year", "life")
display(pop_life_heatmap)

查看处理好的交叉表：

10.通过imshow制图函数生成热力图

#draw heatmap with plotly 
#https://plotly.com/python/imshow/
fig = px.imshow(pop_life_heatmap,labels=dict(x="Year", y="Country", color="LifeExp"))
fig.show()

得到的热力图看起来也不错，还能进行一定的交互：

11.同样考虑改变一下颜色主题风格

fig = px.imshow(pop_life_heatmap,color_continuous_scale='RdBu_r',labels=dict(x="Year", y="Country", color="LifeExp"))
fig.show()

大家看到这里也赶紧动手试试吧！！

END

我为人人，人人为我！！欢迎大家关注，点赞和转发！！！

~~人生不是赛场，梦想不容退场~~不断努力学习蜕变出一个更好的自己，不断分享学习路上的收获和感悟帮助他人成就自己！！！