从零开始学pheatmap：3个核心参数设置让你的热图瞬间专业

第一章：pheatmap热图绘制入门与核心概念

pheatmap 是 R 语言中一个功能强大且易于使用的热图绘制包，广泛应用于基因表达数据、聚类分析和多维数据可视化。它不仅支持层次聚类，还能灵活自定义颜色方案、标注和图形布局，是生物信息学和数据科学领域常用的可视化工具之一。

安装与加载 pheatmap 包

在使用 pheatmap 前，需确保已安装并加载该包。若尚未安装，可通过以下命令完成：

# 安装 pheatmap 包（如果未安装）
if (!require("pheatmap")) {
  install.packages("pheatmap")
}

# 加载 pheatmap 包
library(pheatmap)

上述代码首先检查是否已安装 pheatmap，若未安装则自动下载并安装，随后加载至当前会话环境中。

核心输入数据格式

pheatmap 接受一个数值型矩阵作为主要输入，行和列分别代表变量和样本。示例如下：

# 创建示例数据矩阵
data_matrix <- matrix(rnorm(50), nrow = 10, ncol = 5)
rownames(data_matrix) <- paste0("Gene_", 1:10)
colnames(data_matrix) <- paste0("Sample_", 1:5)

基本热图绘制

使用 pheatmap 函数可快速生成热图：

# 绘制基础热图
pheatmap(data_matrix)

该命令将自动执行行和列的层次聚类，并以默认颜色映射展示数据分布。

关键参数说明

参数	作用
color	指定颜色调色板
scale	设置标准化方式（"row", "column", 或 "none"）
cluster_rows	是否对行进行聚类
annotation_row	添加行注释信息

• 热图颜色越深，表示数值越高或越低，取决于颜色映射方向
• 聚类树状图显示在热图边缘，反映行/列之间的相似性结构
• 支持添加分组标签和图例以增强可读性

第二章：数据准备与预处理的关键步骤

2.1 理解表达矩阵与样本结构设计

在单细胞RNA测序分析中，表达矩阵是记录基因表达量的核心数据结构。每一行代表一个基因，每一列对应一个细胞，矩阵中的值表示特定基因在特定细胞中的表达水平。

表达矩阵的基本结构

典型的表达矩阵可表示为 $ G \times C $ 的二维数组，其中 $ G $ 为基因数量，$ C $ 为细胞数量。稀疏性是其显著特征，多数基因在特定细胞中不表达。

样本结构设计原则

合理的实验设计需平衡生物学重复、技术重复与组间差异。常见策略包括：

• 确保每组至少3个生物学重复以提高统计效力
• 随机化处理顺序以减少批次效应
• 使用UMI（唯一分子标识符）校正PCR扩增偏差

# 示例：构建Seurat对象所需的表达矩阵
library(Seurat)
raw_counts <- Read10X(data.dir = "filtered_feature_bc_matrix/")
seurat_obj <- CreateSeuratObject(counts = raw_counts, project = "scRNA_project")

该代码读取10x Genomics格式的稀疏表达矩阵，并初始化Seurat分析对象。参数counts接收原始计数矩阵，project用于标记项目名称，便于后续追踪。

2.2 数据标准化方法及其对聚类的影响

在聚类分析中，不同特征的量纲差异会显著影响距离计算，导致某些特征主导聚类结果。因此，数据标准化是关键预处理步骤。

常见标准化方法

• Z-score标准化：将数据转换为均值为0、标准差为1的分布。
• Min-Max标准化：将数据线性映射到[0,1]区间。
• Robust标准化：使用中位数和四分位距，适用于含异常值的数据。

代码示例：Z-score标准化实现

from sklearn.preprocessing import StandardScaler
import numpy as np

data = np.array([[1., -1.,  2.],
                 [2.,  0.,  0.],
                 [0.,  1., -1.]])
scaler = StandardScaler()
normalized_data = scaler.fit_transform(data)

上述代码使用StandardScaler对数据进行Z-score标准化，消除量纲影响，使各特征具有可比性，从而提升K-means等基于距离的聚类算法性能。

标准化对聚类的影响对比

方法	适用场景	对聚类影响
Z-score	正态分布数据	均衡特征贡献
Min-Max	边界明确数据	避免数值溢出

2.3 缺失值处理与数据过滤策略

在数据预处理阶段，缺失值的存在会严重影响模型的训练效果与分析结果的准确性。常见的缺失值处理方法包括删除、填充和插值。

缺失值识别与统计

首先应统计各字段缺失比例，便于制定处理策略：

import pandas as pd
missing_ratio = df.isnull().sum() / len(df) * 100
print(missing_ratio)

该代码计算每列缺失值占比，帮助识别需重点关注的字段。

常用处理策略

• 删除法：适用于缺失率高于70%且非关键字段；
• 均值/中位数填充：适用于数值型变量，保持分布趋势；
• 前向或后向填充：适用于时间序列数据；
• 模型预测填充：使用回归或KNN算法估算缺失值。

数据过滤规则设定

通过设定阈值过滤异常或低质量记录：

df_filtered = df[df['score'] >= 60]

此操作保留评分大于等于60的数据，提升后续分析的可靠性。

2.4 构建适用于pheatmap的输入数据框

在R中使用`pheatmap`绘制热图前，需构建一个行为样本、列为特征的数值型数据框。该数据框通常以基因或通路为行名，样本名称为列名。

数据结构要求

输入数据必须是矩阵或可转换为矩阵的data.frame，所有元素应为数值型，且不含缺失值（NA）。

构建示例

# 创建模拟表达数据
expr_matrix <- data.frame(
  Sample1 = c(2.1, 3.5, 1.8),
  Sample2 = c(4.0, 2.2, 3.9),
  Sample3 = c(1.9, 4.1, 2.0)
)
row.names(expr_matrix) <- c("GeneA", "GeneB", "GeneC")

上述代码生成一个3×3的表达矩阵，每行代表一个基因，每列对应一个样本。`pheatmap`将自动基于此矩阵进行聚类和颜色映射。

类型转换注意事项

• 确保数据框通过as.matrix()转换为数值矩阵
• 避免因子或字符类型列混入
• 建议提前标准化或对数变换以提升可视化效果

2.5 实战演练：从原始数据到可绘图格式转换

在可视化分析前，原始数据往往需要经过清洗与结构化处理。以一组包含时间戳和传感器读数的原始日志为例，目标是将其转换为支持图表渲染的结构化数组。

数据清洗与字段提取

首先解析JSON格式日志，提取关键字段并统一时间格式：

import json
from datetime import datetime

# 原始数据示例
raw_data = '{"ts": "2023-04-01T10:00:00Z", "value": 23.5}'
entry = json.loads(raw_data)
timestamp = datetime.fromisoformat(entry['ts'].rstrip("Z"))
structured = {
    "time": timestamp.timestamp(),  # 转为Unix时间戳
    "reading": float(entry["value"])
}

上述代码将非标准时间字符串转换为数值型时间戳，并确保读数为浮点类型，便于后续批量处理。

批量转换为绘图格式

使用列表推导完成整体转换，输出适配ECharts等工具的序列：

1. 逐条解析原始日志流
2. 执行类型标准化与单位归一化
3. 输出 [{x: 时间, y: 数值}] 格式数组

第三章：聚类算法原理与参数调控

3.1 层次聚类在热图中的应用机制

层次聚类通过递归合并或分裂数据点，构建树状聚类结构（即树状图），在热图中常用于同时对行和列进行聚类，揭示数据的潜在模式。

聚类与热图的协同可视化

在热图中，每个单元格代表一个数值，颜色深浅反映大小。结合层次聚类，行和列可依据相似性重新排序，使相似样本或特征聚集在一起，增强模式可读性。

实现示例（Python）

import seaborn as sns
import pandas as pd

# 构造示例数据
data = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]], 
                    index=['A', 'B', 'C'], 
                    columns=['X', 'Y', 'Z'])

# 绘制带层次聚类的热图
sns.clustermap(data, cmap='viridis', standard_scale=None)

该代码使用 sns.clustermap 自动执行层次聚类并生成热图。cmap 控制颜色映射，standard_scale 可标准化数据轴，提升聚类效果。

3.2 距离度量与连接方法的选择实践

在聚类分析中，距离度量和连接方法直接影响聚类结果的合理性。常见的距离度量包括欧氏距离、曼哈顿距离和余弦相似度，适用于不同数据分布场景。

常用距离度量对比

• 欧氏距离：适用于连续型变量，对异常值敏感
• 曼哈顿距离：在高维空间中表现更稳定
• 余弦相似度：关注方向而非模长，适合文本向量化场景

连接方法选择策略

from scipy.cluster.hierarchy import linkage
# 单连接易产生链式效应，全连接则倾向于紧凑簇
Z = linkage(data, method='average', metric='euclidean')

该代码使用平均连接法（average linkage），在单连接（single）与全连接（complete）之间取得平衡，能有效缓解极端情况带来的簇结构失真问题。

3.3 关闭或自定义行列聚类的操作技巧

在数据分析过程中，行列聚类常用于揭示数据间的结构关系。但某些场景下，聚类可能干扰观察，需进行关闭或自定义调整。

关闭默认聚类

许多可视化工具（如Seaborn的clustermap）默认启用行列聚类。可通过参数显式关闭：

import seaborn as sns
g = sns.clustermap(data, row_cluster=False, col_cluster=False)

其中，row_cluster=False 禁用行聚类，col_cluster=False 禁用列聚类，保留原始数据排列顺序，便于对照固定标签。

自定义聚类方法

若需保留聚类但调整算法，可指定距离度量与聚类方式：

• metric：设置为 'euclidean' 或 'correlation' 控制距离计算方式
• method：如 'ward'、'single' 或 'average' 调整聚类策略

g = sns.clustermap(data, method='average', metric='correlation')

该配置适用于基因表达等高维数据，提升聚类生物学意义。

第四章：三大核心参数深度解析与应用

4.1 修改color参数：定制专业级配色方案

在数据可视化中，合理的色彩搭配能显著提升图表的专业性与可读性。通过调整 `color` 参数，用户可自定义系列颜色、渐变效果及主题风格。

基础配色设置

const chartOptions = {
  color: ['#5470C6', '#91CC75', '#FAC858', '#EE6666'],
  series: [...]
};

上述代码定义了图表的主色调序列，ECharts 将按顺序为各数据系列分配颜色。

高级色彩控制

• 支持十六进制、RGB、HSL 等颜色格式
• 可结合视觉映射组件（visualMap）实现数据驱动着色
• 支持使用渐变对象定义复杂填充效果

通过精细化配置，可构建符合品牌规范或视觉设计需求的专业级配色体系。

4.2 调整cluster_rows和cluster_cols：精准控制聚类行为

在热图可视化中，`cluster_rows` 和 `cluster_cols` 参数用于控制是否对行和列进行层次聚类。通过调整这两个参数，可以灵活控制数据的组织方式。

参数作用与取值

• cluster_rows=True：对行进行聚类，相似样本自动归组
• cluster_cols=True：对列（如基因或特征）进行聚类
• 设为 False 可保留原始数据顺序

代码示例

import seaborn as sns
sns.clustermap(data, 
               cluster_rows=False, 
               cluster_cols=True,
               method='ward')

上述代码关闭行聚类以保持样本原有顺序，仅对列进行层次聚类。参数 method='ward' 指定使用 Ward 方差最小化方法，提升聚类紧凑性。

4.3 使用scale参数实现行/列标准化可视化

在热图可视化中，数据的量纲差异可能显著影响图案的可读性。通过设置 `scale` 参数，可对行或列进行标准化处理，使数据更具可比性。

scale参数的作用维度

• "row"：按行进行标准化，使每行的均值为0，标准差为1
• "column"：按列标准化，突出变量间的相对变化
• None：不进行标准化，保留原始数值

pheatmap(data, scale = "row", 
         color = colorRampPalette(c("blue", "white", "red"))(100))

该代码对数据矩阵的每一行执行Z-score标准化，消除表达量级差异，使高/低表达模式在视觉上更集中。参数 `scale = "row"` 特别适用于基因表达热图，能清晰展现样本内基因的相对表达趋势。

4.4 综合案例：结合三个参数绘制发表级热图

在科研数据可视化中，热图常用于展示多维矩阵数据的分布特征。本案例将结合 `seaborn.heatmap()` 中的三个关键参数：`annot`、`cmap` 和 `vmin/vmax`，生成符合期刊发表标准的高质量热图。

核心参数解析

• annot=True：在每个单元格中显示数值，增强可读性；
• cmap='viridis'：使用连续且色盲友好的配色方案；
• vmin 与 vmax：手动设定颜色映射范围，避免极端值影响整体对比度。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

# 模拟相关系数矩阵
data = np.random.rand(10, 10)
sns.heatmap(data, annot=True, cmap='viridis', vmin=0, vmax=1)
plt.title("发表级热图示例")
plt.show()

上述代码通过控制颜色范围与标注细节，确保图像在黑白打印或色觉障碍读者场景下仍具可读性，满足学术出版对图形质量的严格要求。

第五章：拓展应用与热图结果解读建议

结合业务场景优化热图分析维度

在电商网站中，用户点击热图可揭示页面关键区域的吸引力分布。例如，某购物平台发现商品详情页的“立即购买”按钮点击密度低于预期，通过调整布局将按钮前置并增加视觉权重后，转化率提升 18%。

• 识别低交互区域：长期无点击的区块应考虑内容优化或移除
• 对比多版本页面：A/B 测试中结合热图数据评估设计变更效果
• 关联用户分群：高价值客户与新访客的浏览路径可能存在显著差异

代码示例：基于 JavaScript 捕获点击事件生成原始热图数据

document.addEventListener('click', function(e) {
  const x = e.clientX;
  const y = e.clientY;
  // 将坐标发送至分析服务器
  fetch('/log-click', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ x, y, page: window.location.pathname })
  });
});

热图结果的常见误读与规避策略

现象	可能误判	正确解读方式
高点击集中于导航栏	主内容区吸引力不足	检查是否因页面加载延迟导致用户频繁跳转
底部区域无点击	内容不被关注	结合滚动深度数据判断用户是否未到达该区域