matplotlib基础绘图命令之imshow

欢迎关注”生信修炼手册”!

在matplotlib中，imshow方法用于绘制热图，基本用法如下

import matplotlib.pyplot as plt
import numpy as np
np.random.seed(123456789)
data = np.random.rand(25).reshape(5, 5)
plt.imshow(data)

输出结果如下

imshow方法首先将二维数组的值标准化为0到1之间的值，然后根据指定的渐变色依次赋予每个单元格对应的颜色，就形成了热图。对于热图而言，通常我们还需要画出对应的图例，图例通过colorbar方法来实现，代码如下

plt.imshow(data)
plt.colorbar()

输出结果如下

imshow方法常用的几个参数如下

1. cmap

cmap是colormap的简称，用于指定渐变色，默认的值为viridis, 在matplotlib中，内置了一系列的渐变色，用法如下 

plt.imshow(data, cmap='Greens')

输出结果如下

完整的内置colormap的列表见如下链接

https://matplotlib.org/tutorials/colors/colormaps.html

2. aspect

aspect用于指定热图的单元格的大小，默认值为equal,此时单元格用于是一个方块，当设置为auto时，会根据画布的大小动态调整单元格的大小，用法如下

plt.imshow(data, aspect='auto')

输出结果如下

3. alpha

alpha参数用于指定透明度，用法如下

plt.imshow(data, alpha=0.8)

输出结果如下

4. origin

orign参数指定绘制热图时的方向，默认值为upper,  此时热图的右上角为(0, 0), 当设置为lower时，热图的左下角为(0,0), 用法如下

plt.imshow(data, origin='lower')

输出结果如下

5. vmin和vmax

vmin和vmax参数用于限定数值的范围，只将vmin和vmax之间的值进行映射，用法如下

plt.imshow(data, vmin=-0.8, vmax=0.8)
plt.colorbar()

输出结果如下

6. interpolation

interprolation参数控制热图的显示形式，是一个较难理解的参数，同样的数据，不同取值对应的热图形式如下

在日常使用而言，nearest和None是应用的最多的。

7. extent

extent参数指定热图x轴和y轴的极值，取值为一个长度为4的元组或列表，其中，前两个数值对应x轴的最小值和最大值，后两个参数对应y轴的最小值和最大值，用法如下

plt.imshow(data, extent=(-0.5, 4.5, 4.5, -0.5))

输出结果如下

可以看到，上述代码的输出和默认输出完全一致。其实, extent和origin两个参数是相互关联的，origin参数的值为upper时，extent参数的默认值如下

(-0.5, ncol(data) - 0.5, nrow(data)-0.5, 0.5)

当origin参数的值为lower时，extent参数的默认值如下

(-0.5, ncol(data) - 0.5, -0.5, nrow(data)-0.5)

修改extent参数的值，图中单元格对应的刻度会发生变化，示意如下

plt.imshow(data,extent=(-0.5,5.5,-5.5,0.5))

输出结果如下

大多数的情况下，我们都不需要自己来手动指定extent参数的值。

在绘制热图时，还可以结合xlim和ylim参数，来为热图的周围增加空隙，代码如下

plt.imshow(data)
plt.xlim(-1, 5)
plt.ylim(5, -1)
plt.colorbar()

输出结果如下

相比R语言中的热图，matplotlib中的热图没有聚类树的功能，需要自己手动来实现，但是可以很方便的添加图例，而且受益于matplotlib灵活的基础功能，可以实现非常复杂的如图。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。

  更多精彩

• KEGG数据库，除了pathway你还知道哪些

• 全网最完整的circos中文教程

• DNA甲基化数据分析专题

• 突变检测数据分析专题

• mRNA数据分析专题

• lncRNA数据分析专题

• circRNA数据分析专题

• miRNA数据分析专题

• 单细胞转录组数据分析专题

• chip_seq数据分析专题

• Hi-C数据分析专题

• HLA数据分析专题

• TCGA肿瘤数据分析专题

• 基因组组装数据分析专题

• CNV数据分析专题

• GWAS数据分析专题

• 2018年推文合集

• 2019年推文合集

  写在最后

转发本文至朋友圈，后台私信截图即可加入生信交流群，和小伙伴一起学习交流。

扫描下方二维码，关注我们，解锁更多精彩内容！

一个只分享干货的

生信公众号