python - 具有多种配色方案的带注释的热图

Question

我有以下数据框，并且想在热图中使用不同的配色方案来区分每个“步骤”中的微小小数差异。

示例数据:

Sample  Step 2  Step 3  Step 4  Step 5  Step 6  Step 7  Step 8
A   64.847  54.821  20.897  39.733  23.257  74.942  75.945
B   64.885  54.767  20.828  39.613  23.093  74.963  75.928
C   65.036  54.772  20.939  39.835  23.283  74.944  75.871
D   64.869  54.740  21.039  39.889  23.322  74.925  75.894
E   64.911  54.730  20.858  39.608  23.101  74.956  75.930
F   64.838  54.749  20.707  39.394  22.984  74.929  75.941
G   64.887  54.781  20.948  39.748  23.238  74.957  75.909
H   64.903  54.720  20.783  39.540  23.028  74.898  75.911
I   64.875  54.761  20.911  39.695  23.082  74.897  75.866
J   64.839  54.717  20.692  39.377  22.853  74.849  75.939
K   64.857  54.736  20.934  39.699  23.130  74.880  75.903
L   64.754  54.746  20.777  39.536  22.991  74.877  75.902
M   64.798  54.811  20.963  39.824  23.187  74.886  75.895

我正在寻找的示例:

Answer 1

我的第一种方法是基于具有多个子图的图形。图的数量将等于数据框中的列数；地 block 之间的差距可以缩小到零:

cm = ['Blues', 'Reds', 'Greens', 'Oranges', 'Purples', 'bone', 'winter']
f, axs = plt.subplots(1, df.columns.size, gridspec_kw={'wspace': 0})
for i, (s, a, c) in enumerate(zip(df.columns, axs, cm)):
    sns.heatmap(np.array([df[s].values]).T, yticklabels=df.index, xticklabels=[s], annot=True, fmt='.2f', ax=a, cmap=c, cbar=False)
    if i>0:
        a.yaxis.set_ticks([])

结果:

不确定这是否会导致数据的有用甚至 self 描述的可视化，但这是您的选择 - 也许这有助于开始...

---

补充:

关于添加颜色条:当然可以。但是 - 除了不知道你的数据背景和可视化的目的 - 我想对所有这些添加一些想法:

首先:将所有这些颜色条作为单独的一组条添加到热图的一侧或下方可能是可能的，但我发现已经很难读取数据，另外:你已经有了所有这些注释 - 我认为它会把一切搞得一团糟。
另外:与此同时，@ImportanceOfBeingErnest 就该主题提供了如此出色的解决方案，我认为这在这里意义不大。

第二:如果你真的想坚持使用热图，也许拆分并为每一列提供颜色条会更适合:

cm = ['Blues', 'Reds', 'Greens', 'Oranges', 'Purples', 'bone', 'winter']
f, axs = plt.subplots(1, df.columns.size, figsize=(10, 3))
for i, (s, a, c) in enumerate(zip(df.columns, axs, cm)):
    sns.heatmap(np.array([df[s].values]).T, yticklabels=df.index, xticklabels=[s], annot=True, fmt='.2f', ax=a, cmap=c)
    if i>0:
        a.yaxis.set_ticks([])
f.tight_layout()

然而，话虽如此 - 我敢怀疑这是否是您数据的最佳可视化效果。当然，我不知道你想用这些图说、看或发现什么，但这就是重点:如果可视化类型符合需要，我想我会知道(或至少可以想象)。

举个例子:
一个简单的 df.plot() 结果

我觉得这比热图更能在十分之一秒内说明您的列的不同特征。

或者您是否明确地关注每列均值的差异？

(df - df.mean()).plot()

...或者它们周围每一列的分布情况？

(df - df.mean()).boxplot()

我想说的是:在你开始/必须解释任何事情之前，当一个情节开始讲述有关底层数据的某事时，数据可视化就会变得强大......