如何用Python中的2D散點圖數據創建熱圖？

Question

如何使用Python中的2D散點圖數據創建熱圖，其中散點圖中的每個（x，y）點都具有與之關聯的z值？ z值將是用於為熱圖着色的值。

---

例如，在R中，我可以使用：

# This example is from http://knowledge-forlife.com/r-creating-heatmap-scatterplot-data/
#I'm just setting the seed so you can see the same example on your computer
set.seed(1)

#Our X data
x <- runif(150)

#Our Y data
y <- runif(150)

#Our Z data
z <- c(rnorm(mean=1,100),rnorm(mean=20,50))

#Store the length of our data
N <- length(x)

# View the scatterplot
plot(x, y)

#Here is the interpolation to give the heatmap effect. 
#Use xo and yo to set the output grid you want to use.
#xo and yo are used to change the resolution of the interpolation
#Here, I have included a somewhat standard protocol for these parameters
s <- interp(x,y,z,xo=seq(min(x),max(x),length=N),
            yo=seq(min(x),max(x),length=N),duplicate="mean")

#Here's where the fun happens
#Note you can add your typical plotting paramaters here, such as xlab or ylab
image.plot(s,xlim=c(0,1),ylim=c(0,1),zlim=c(-2,25))

散點圖（此散點圖中的每個（x，y）點都具有與之關聯的z值； z值在散點圖中不可見）：

對應的熱圖（顏色代表z值）：

請注意，此問題與使用散點數據集在MatPlotLib中生成熱圖不同，其中，熱圖中的顏色表示（x，y）點的密度）。

Answer 1

我接受了Gerges Dib的建議。 這是代碼，是從3D高斯分布中采樣（x，y，z）點的代碼：

import numpy as np
import scipy.interpolate
from scipy.stats import multivariate_normal
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()

# Sample from 3D Gaussian distribution
np.random.seed(0)
number_of_samples = 20
x = np.random.rand(number_of_samples)
y = np.random.rand(number_of_samples)
xy = np.column_stack([x.flat, y.flat]) # Create a (N, 2) array of (x, y) pairs.
mu = np.array([0.0, 0.0])
sigma = np.array([.95, 2.5])
covariance = np.diag(sigma**2)
z = multivariate_normal.pdf(xy, mean=mu, cov=covariance)

plt.scatter(x, y)
plt.savefig('scatterplot.png', dpi=300)

plt.tricontourf(x, y, z)
plt.savefig('tricontourf.png', dpi=300)

# Interpolate and generate heatmap:
grid_x, grid_y = np.mgrid[x.min():x.max():1000j, y.min():y.max():1000j]
for method in ['nearest','linear','cubic'] :
    plt.figure()
    grid_z = scipy.interpolate.griddata(xy,z,(grid_x, grid_y), method=method)
    # [pcolormesh with missing values?](https://stackoverflow.com/a/31687006/395857)
    import numpy.ma as ma
    plt.pcolormesh(grid_x, grid_y, ma.masked_invalid(grid_z), cmap='RdBu', vmin=np.nanmin(grid_z), vmax=np.nanmax(grid_z))
    plt.title('{0} interpolation'.format(method))
    plt.colorbar()
    plt.savefig('heatmap_interpolation_{0}.png'.format(method), dpi=300)
    plt.clf()
    plt.close()

scatterplot.png：

tricontourf.png：

heatmap_interpolation_nearest.png

heatmap_interpolation_linear.png：

heatmap_interpolation_cubic.png：

Answer 2

這是將代碼轉換為python的代碼，使用numpy進行矢量操作，使用matplotlib進行繪圖：

import numpy as np
from matplotlib import pyplot

x = np.random.uniform(size=150)
y = np.random.uniform(size=150)
z = np.concatenate([np.random.randn(100)+1, np.random.randn(50)+20])

pyplot.plot(x, y, 'ok')
pyplot.tricontourf(x, y, z)
pyplot.show()

此處的一個區別是，我沒有使用插值將x和y放置在網格上，而是使用了matplotlib的tricontourf ，它使用了三角鑲嵌。 如果需要將數據放在矩形網格上，則可以使用scipy.interpolate.griddata ，它的工作原理與R中的interp函數非常相似。然后，要繪制常規網格，可以使用pyplot.pcolormesh 。