plt.imshow()
转载于：https://blog.csdn.net/Eastmount/article/details/73392106?locationNum=3&fps=1
前面系列文章讲过数据挖掘的各种知识，最近在研究人类时空动力学分析和幂率定律，发现在人类兴趣转移模型中，可以通过热图（斑图）来进行描述的兴趣转移，如下图所示。下一篇文章将简单普及人类动力学相关知识研究。
这篇文章结合Matplotlib的imshow()函数，讲述热图（斑图）绘制及相关参数基础知识。希望文章对你有所帮助，如果文章中存在错误或不足之处，还请海涵。
前文推荐：
【Python数据挖掘课程】一.安装Python及爬虫入门介绍
【Python数据挖掘课程】二.Kmeans聚类数据分析及Anaconda介绍
【Python数据挖掘课程】三.Kmeans聚类代码实现、作业及优化
【Python数据挖掘课程】四.决策树DTC数据分析及鸢尾数据集分析
【Python数据挖掘课程】五.线性回归知识及预测糖尿病实例
【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识
【Python数据挖掘课程】七.PCA降维操作及subplot子图绘制
【Python数据挖掘课程】八.关联规则挖掘及Apriori实现购物推荐
【Python数据挖掘课程】九.回归模型LinearRegression简单分析氧化物数据
【python数据挖掘课程】十.Pandas、Matplotlib、PCA绘图实用代码补充
【python数据挖掘课程】十一.Pandas、Matplotlib结合SQL语句可视化分析
【python数据挖掘课程】十二.Pandas、Matplotlib结合SQL语句对比图分析
【python数据挖掘课程】十三.WordCloud词云配置过程及词频分析
【python数据挖掘课程】十四.Scipy调用curve_fit实现曲线拟合
一. Matplotlib简单回顾
Matplotlib是Python最著名的2D绘图库，该库仿造Matlab提供了一整套相似的绘图函数，用于绘图和绘表，强大的数据可视化工具和做图库，适合交互式绘图，图形美观。
首先，通过一段代码给大家回顾下Matplotlib绘图知识。绘制2*3共6个子图，且图为空的代码如下：
-
# coding=utf-8
-
from matplotlib
import pyplot
as plt
-
-
fig = plt.figure()
-
ax1 = fig.add_subplot(
231)
-
ax2 = fig.add_subplot(
232)
-
ax3 = fig.add_subplot(
233)
-
ax4 = fig.add_subplot(
234)
-
ax5 = fig.add_subplot(
235)
-
ax6 = fig.add_subplot(
236)
-
plt.grid(
True)
-
plt.show()
然后需要调用函数绘图，下面提几个重点知识：
1.plot(x, y, marker='D')表示绘制折线图，marker设置样式菱形。
2.scatter(x, y, marker='s', color='r')绘制散点图，红色正方形。
3.bar(x, y, 0.5, color='c')绘制柱状图，间距为0.5，原色。
4.hist(data,40,normed=1,histtype='bar',
facecolor='yellowgreen',alpha=0.75)直方图。
5.设置x轴和y轴的坐标值：
xlim(-2.5, 2.5) #设置x轴范围 ylim(-1, 1) #设置y轴范围
6.显示中文和负号代码如下：
plt.rcParams['font.sas-serig']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
完整代码如下：
-
# coding=utf-8
-
import numpy
as np
-
from pylab
import *
-
from matplotlib
import pyplot
as plt
-
-
x = [
1,
2,
3,
4]
-
y = [
3,
5,
10,
25]
-
-
#创建Figure
-
fig = plt.figure()
-
-
#创建一个或多个子图(subplot绘图区才能绘图)
-
ax1 = fig.add_subplot(
231)
-
plt.plot(x, y, marker=
'D')
#绘图及选择子图
-
plt.sca(ax1)
-
-
ax2 = fig.add_subplot(
232)
-
plt.scatter(x, y, marker=
's', color=
'r')
-
plt.sca(ax2)
-
plt.grid(
True)
-
-
ax3 = fig.add_subplot(
233)
-
plt.bar(x, y,
0.5, color=
'c')
#柱状图 width=0.5间距
-
plt.sca(ax3)
-
-
ax4 = fig.add_subplot(
234)
-
#高斯分布
-
mean =
0
#均值为0
-
sigma =
1
#标准差为1 (反应数据集中还是分散的值)
-
data = mean+sigma*np.random.randn(
10000)
-
plt.hist(data,
40,normed=
1,histtype=
'bar',facecolor=
'yellowgreen',alpha=
0.75)
-
plt.sca(ax4)
-
-
m = np.arange(
-5.0,
5.0,
0.02)
-
n = np.sin(m)
-
ax5 = fig.add_subplot(
235)
-
plt.plot(m, n)
-
plt.sca(ax5)
-
-
ax6 = fig.add_subplot(
236)
-
xlim(
-2.5,
2.5)
#设置x轴范围
-
ylim(
-1,
1)
#设置y轴范围
-
plt.plot(m, n)
-
plt.sca(ax6)
-
plt.grid(
True)
-
-
plt.show()
Matplotlib强推博客：
http://www.cnblogs.com/zhizhan/p/5615947.html
http://blog.csdn.net/jinlong_xu/article/details/70183377
【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识
二. imshow详解热图知识
热图（heatmap）是数据分析的常用方法，通过色差、亮度来展示数据的差异、易于理解。Python在Matplotlib库中，调用imshow()函数实现热图绘制。
参考资料：http://matplotlib.org/users/image_tutorial.html
源码介绍如下图所示：
imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, url=None, hold=None, data=None, **kwargs)
其中，X变量存储图像，可以是浮点型数组、unit8数组以及PIL图像，如果其为数组，则需满足一下形状：
(1) M*N 此时数组必须为浮点型，其中值为该坐标的灰度；
(2) M*N*3 RGB（浮点型或者unit8类型）
(3) M*N*4 RGBA（浮点型或者unit8类型）
下面这段代码是一个简单的实例：
-
# coding=utf-8
-
from matplotlib
import pyplot
as plt
-
-
X = [[
1,
2],[
3,
4],[
5,
6]]
-
plt.imshow(X)
-
plt.show()
Colorbar：增加颜色类标的代码是plt.colorbar()，代码如下：
-
#coding=utf-8
-
from matplotlib
import pyplot
as plt
-
-
X = [[
1,
2],[
3,
4],[
5,
6]]
-
plt.imshow(X)
-
plt.colorbar()
-
plt.show()
运行结果如下图所示，其中左上角颜色为蓝色，对应值为1；右下角颜色为深红色，对应值为6。它是按照矩阵X进行颜色分布的。
[1, 2] [深蓝, 浅蓝]
[3, 4] [淡绿, 黄色]
[5, 6] [橙红, 深红]
plt.colorbar(cax=None,ax=None,shrink=0.5)可设置Bar为一半长度。
Colormap：参数cmap用于设置热图的Colormap。（参考百度百科）
Colormap是MATLAB里面用来设定和获取当前色图的函数，可以设置如下色图：
hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。
cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。
gray 返回线性灰度色图。
bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。
white 全白的单色色图。
spring 包含品红和黄的阴影颜色。
summer 包含绿和黄的阴影颜色。
autumn 从红色平滑变化到橙色，然后到黄色。
winter 包含蓝和绿的阴影色。
下面这段代码是显示原图、灰度（gray）、和春夏秋冬的示例。
-
#coding=utf-8
-
from matplotlib
import pyplot
as plt
-
-
X = [[
1,
2],[
3,
4]]
-
-
fig = plt.figure()
-
ax = fig.add_subplot(
231)
-
ax.imshow(X)
-
-
ax = fig.add_subplot(
232)
-
ax.imshow(X, cmap=plt.cm.gray)
#灰度
-
-
ax = fig.add_subplot(
233)
-
im = ax.imshow(X, cmap=plt.cm.spring)
#春
-
plt.colorbar(im)
-
-
ax = fig.add_subplot(
234)
-
im = ax.imshow(X, cmap=plt.cm.summer)
-
plt.colorbar(im, cax=
None, ax=
None, shrink=
0.5)
#长度为半
-
-
ax = fig.add_subplot(
235)
-
im = ax.imshow(X, cmap=plt.cm.autumn)
-
plt.colorbar(im, shrink=
0.5, ticks=[
-1,
0,
1])
-
-
ax = fig.add_subplot(
236)
-
im = ax.imshow(X, cmap=plt.cm.winter)
-
plt.colorbar(im, shrink=
0.5)
-
-
plt.show()
运行结果如下图所示：
通常图片都是由RGB组成，一块一块的，详见我的数字图像处理系列博客，这里想把某块显示成一种颜色，则需要调用interpolation='nearest'参数即可，代码如下：
-
#coding=utf-8
-
from matplotlib
import pyplot
as plt
-
-
X = [[
0,
0.25], [
0.5,
0.75]]
-
-
-
fig = plt.figure()
-
ax = fig.add_subplot(
121)
-
im = ax.imshow(X, cmap=plt.get_cmap(
'hot'))
-
plt.colorbar(im, shrink=
0.5)
-
-
ax = fig.add_subplot(
122)
-
im = ax.imshow(X, cmap=plt.get_cmap(
'hot'), interpolation=
'nearest',
-
vmin=
0, vmax=
1)
-
plt.colorbar(im, shrink=
0.2)
-
plt.show()
-
推荐文章：matplotlib imshow - default colour normalisation
默认情况下，imshow将数据标准化为最小和最大值。 您可以使用vmin和vmax参数或norm参数来控制（如果您想要非线性缩放）。
百度经验提供一段代码，也不错，推荐大家学习。
注意：相当于在A~J和a~j的图像矩阵中，产生10*10的随机数，对矩阵进行颜色填充；只是在填充过程中，选择随机数的最大值和最小值进行标准化处理。
-
# coding=utf-8
-
import numpy
as np
-
from matplotlib
import pyplot
as plt
-
from matplotlib
import cm
-
from matplotlib
import axes
-
-
def draw_heatmap(data,xlabels,ylabels):
-
#cmap=cm.Blues
-
cmap=cm.get_cmap(
'rainbow',
1000)
-
figure=plt.figure(facecolor=
'w')
-
ax=figure.add_subplot(
1,
1,
1,position=[
0.1,
0.15,
0.8,
0.8])
-
ax.set_yticks(range(len(ylabels)))
-
ax.set_yticklabels(ylabels)
-
ax.set_xticks(range(len(xlabels)))
-
ax.set_xticklabels(xlabels)
-
vmax=data[
0][
0]
-
vmin=data[
0][
0]
-
for i
in data:
-
for j
in i:
-
if j>vmax:
-
vmax=j
-
if j
-
vmin=j
-
map=ax.imshow(data,interpolation=
'nearest',cmap=cmap,aspect=
'auto',vmin=vmin,vmax=vmax)
-
cb=plt.colorbar(mappable=map,cax=
None,ax=
None,shrink=
0.5)
-
plt.show()
-
-
a=np.random.rand(
10,
10)
-
print a
-
xlabels=[
'A',
'B',
'C',
'D',
'E',
'F',
'G',
'H',
'I',
'J']
-
ylabels=[
'a',
'b',
'c',
'd',
'e',
'f',
'g',
'h',
'i',
'j']
-
draw_heatmap(a,xlabels,ylabels)
运行结果如下图所示：
最后希望这篇文章对你有所帮助，该篇文章的重点知识不是画图，而是后续的研究：
1.如何通过热图来描绘人类动力学兴趣转换点；
2.图像处理感兴趣的同学，会通过imshow()处理相关知识；
3.用热图颜色表示差异，体现矩阵数据的关注点。
同时推荐大家阅读电子科技大学，赵志丹老师的博士论文《人类行为时空特性的分析建模及动力学研究》，下一篇文章我将简单讲述人类时空分析及结合Python绘图简单介绍。因为最近研究这方面知识，希望对你有所帮助，如果文章存在错误或不足之处，还请海涵。
真的好忙啊，都没时间做很多自己喜欢的事情，写文也是，但每当想起你，我这张丑脸上总会泛起微笑。加油，秀璋。娜娜，晚安！
(By:Eastmount 2017-06-19 晚上12点 http://blog.csdn.net/eastmount/ )