目錄
一、熱力圖的作用
二、熱力圖反映的信息類型
三、熱力圖的典型應用場景
1. 地球信息系統 (GIS)
2. 城市交通分析
3. 市場分析
4. 用戶行為分析
5. 網絡流量分析
6. 傳染病傳播分析
7. 社交媒體輿情分析
四、Python 繪制熱力圖的關鍵技術要點
1. 數據預處理
2. 顏色選擇與漸變效果
3. 圖形美化技巧
4. 高級技巧
五、章節總結
一、熱力圖的作用
熱力圖在多個領域中具有廣泛的應用和重要意義。首先，熱力圖能夠直觀地展示數據的分布、密度和集中程度，幫助分析人員快速識別數據的熱點區域和冷點區域，發現數據中的模式和異常。
其次，熱力圖在市場分析和用戶行為分析中發揮著重要作用。通過分析用戶在網絡界面上的鼠標移動軌跡，熱力圖可以揭示用戶的興趣點和互動行為。此外，熱力圖還能分析用戶在瀏覽新聞或博客時的關注焦點，揭示哪些內容最能激發用戶的興趣。
在醫學領域，熱力圖用于揭示數據在地理空間上的密度分布，幫助分析醫療資源的分布和人口密度等重要信息。通過觀察熱力圖，可以快速發現熱點區域，有助于針對性地進行資源分配和疾病防控工作。
最后，熱力圖在科學研究和決策支持中也具有重要意義。
熱力圖 (Heatmap) 通過顏色深淺來可視化二維數據的數值分布，其核心作用包括：
- 數據模式識別：直觀展示數據的高低分布、聚類特征和異常值
- 多變量關聯分析：在矩陣中同時呈現多個變量間的關系強度
- 趨勢與異常檢測：通過顏色漸變快速識別數據熱點區域
- 空間數據可視化：特別適合展示地理、時間等二維空間上的數據變化
與其他圖表相比，熱力圖的優勢在于能夠在有限空間內展示高密度數據，同時保留數據的整體分布特征。
二、熱力圖反映的信息類型
- 數值大小：通過顏色深淺直接反映數值高低
- 數據分布：集中趨勢、離散程度和異常值位置
- 關聯關系：變量間的相關性強弱（如相關系數矩陣）
- 時間 / 空間變化：地理區域差異或時間序列變化（如氣溫變化熱力圖）
- 聚類特征：相似數值區域的聚集情況
例如，在用戶行為分析中，熱力圖可以展示不同頁面元素的點擊頻率分布；在基因表達分析中，可呈現不同基因在不同條件下的表達水平差異。
三、熱力圖的典型應用場景
1. 地球信息系統 (GIS)
用途：展示地理空間數據，如氣溫分布、地形高度、人口密度
示例：2000-2024年全球各大洲平均氣溫熱力圖，用顏色梯度表示溫度變化
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from matplotlib.colors import LinearSegmentedColormap# 設置中文字體支持
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False # 解決負號顯示問題def generate_sample_data():"""生成示例數據（實際應用中應替換為真實數據）"""years = list(range(2000, 2025))regions = ["非洲", "亞洲", "歐洲", "北美洲", "南美洲", "大洋洲"]# 創建隨機數據，模擬氣溫變化趨勢（逐年上升）np.random.seed(42) # 設置隨機種子，確保結果可重現base_temps = np.array([25.5, 15.2, 10.3, 8.1, 19.8, 18.5]) # 各區域基準溫度trends = np.array([0.05, 0.07, 0.06, 0.08, 0.04, 0.05]) # 各區域溫度上升趨勢data = []for year in years:for i, region in enumerate(regions):# 計算該年份該區域的溫度：基準溫度 + 趨勢 * 年數 + 隨機波動temp = base_temps[i] + trends[i] * (year - 2000) + np.random.normal(0, 0.3)data.append([year, region, temp])return pd.DataFrame(data, columns=["年份", "區域", "溫度(°C)"])def create_temperature_heatmap(data):"""創建全球年平均氣溫變化熱力圖"""# 轉換數據為適合熱力圖的格式（年份作為行，區域作為列）pivot_data = data.pivot(index="區域", columns="年份", values="溫度(°C)")# 創建自定義顏色映射（藍色到紅色，表示低溫到高溫）colors = [(0.2, 0.2, 0.8), (0.8, 0.2, 0.2)] # 藍到紅cmap = LinearSegmentedColormap.from_list("BlueRed", colors, N=100)# 創建畫布plt.figure(figsize=(14, 8))# 計算數據的最小值和最大值，用于顏色映射min_temp = pivot_data.values.min()max_temp = pivot_data.values.max()# 繪制熱力圖ax = sns.heatmap(pivot_data, cmap=cmap, annot=True, fmt=".1f", linewidths=.5,cbar_kws={"label": "溫度(°C)", "shrink": 0.8},vmin=min_temp, vmax=max_temp)# 添加標題和標簽plt.title("2000-2024年全球各區域年平均氣溫變化熱力圖", fontsize=16)plt.xlabel("年份", fontsize=12)plt.ylabel("區域", fontsize=12)# 旋轉x軸標簽plt.xticks(rotation=45)# 添加溫度變化趨勢線fig, ax2 = plt.subplots(figsize=(12, 6))for region in data["區域"].unique():region_data = data[data["區域"] == region]ax2.plot(region_data["年份"], region_data["溫度(°C)"], 'o-', label=region)ax2.set_title("2000-2024年全球各區域年平均氣溫變化趨勢&#
)
