Python数据可视化 | seaborn heatmap可视化模式亲测

最新推荐文章于 2026-03-31 09:33:44 发布
原创 最新推荐文章于 2026-03-31 09:33:44 发布 · 2.1k 阅读 · 15 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文通过实际案例，展示了如何使用Seaborn库中的heatmap函数绘制协方差矩阵，并详细介绍了37种不同的颜色模式，帮助读者在数据可视化中选择最合适的颜色方案。

seaborn heatmap可视化模式亲测

利用heatmap绘制协方差矩阵是数据可视化中常见的操作，而对颜色的选取则是一种艺术了。在不同的场景下有可能我们需要不同的色调或者颜色的搭配。而seaborn中的heatmap函数为我们提供了便捷。

Seaborn中有非常多的颜色选项可以选择，这里将效果一一亲测。数据如下：这里我们用最为简单的数据绘制协方差矩阵的图。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set()
data=pd.DataFrame({'A':[1,4,5,2,5,6,3,5,6,3,3],
                 'B':[4,3,7,3,5,2,4,3,5,5,2],
                 'C':[5,8,9,3,5,7,3,5,3,4,4],
                 'D':[5,4,3,6,7,3,5,2,6,6,4],
                 'E':[4,5,7,3,6,3,2,4,5,2,1],
                 'F':[7,6,4,7,4,7,9,3,2,2,3],
                 'G':[4,5,2,5,8,9,1,2,4,4,3],
                 'H':[6,4,2,6,2,6,1,3,8,9,6],
                 'I':[4,3,5,2,7,8,3,4,2,5,3],
                 'J':[4,2,5,7,8,4,5,2,5,1,2],
                 'K':[4,5,8,2,3,1,4,5,8,3,2]})
f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax)
ax.set_title('default')

Text(0.5, 1, 'default')

在这里插入图片描述

可以看到，这就是heatmap的默认颜色模式，除了这种模式，我们可以指定cmap的值，使得绘制出来的图像呈现不同的颜色（在字符串后面加’_r’则进行反向）

1 Accent

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Accent')
ax.set_title('Accent')

Text(0.5, 1, 'Accent')

在这里插入图片描述

2 Blues

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Blues')
ax.set_title('Blues')

Text(0.5, 1, 'Blues')

在这里插入图片描述

3 BrBG

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='BrBG')
ax.set_title('BrBG')

Text(0.5, 1, 'BrBG')

在这里插入图片描述

4 BuGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='BuGn')
ax.set_title('BuGn')

Text(0.5, 1, 'BuGn')

在这里插入图片描述

5 BuPu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='BuPu')
ax.set_title('BuPu')

Text(0.5, 1, 'BuPu')

在这里插入图片描述

6 CMRmap

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='CMRmap')
ax.set_title('CMRmap')

Text(0.5, 1, 'CMRmap')

在这里插入图片描述

7 Dark2

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Dark2')
ax.set_title('Dark2')

Text(0.5, 1, 'Dark2')

在这里插入图片描述

8 GnBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='GnBu')
ax.set_title('GnBu')

Text(0.5, 1, 'GnBu')

在这里插入图片描述

9 Greens

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Greens')
ax.set_title('Greens')

Text(0.5, 1, 'Greens')

在这里插入图片描述

10 Greys

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Greys')
ax.set_title('Greys')

Text(0.5, 1, 'Greys')

在这里插入图片描述

11 OrRd

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='OrRd')
ax.set_title('OrRd')

Text(0.5, 1, 'OrRd')

在这里插入图片描述

12 Oranges

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Oranges')
ax.set_title('Oranges')

Text(0.5, 1, 'Oranges')

在这里插入图片描述

13 PRGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PRGn')
ax.set_title('PRGn')

Text(0.5, 1, 'PRGn')

在这里插入图片描述

14 Paired

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Paired')
ax.set_title('Paired')

Text(0.5, 1, 'Paired')

在这里插入图片描述

15 Pastel1

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Pastel1')
ax.set_title('Pastel1')

Text(0.5, 1, 'Pastel1')

在这里插入图片描述

16 Pastel2

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Pastel2')
ax.set_title('Pastel2')

Text(0.5, 1, 'Pastel2')

在这里插入图片描述

17 PiYG

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PiYG')
ax.set_title('PiYG')

Text(0.5, 1, 'PiYG')

在这里插入图片描述

18 PuBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuBu')
ax.set_title('PuBu')

Text(0.5, 1, 'PuBu')

在这里插入图片描述

19 PuBuGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuBuGn')
ax.set_title('PuBuGn')

Text(0.5, 1, 'PuBuGn')

在这里插入图片描述

20 PuOr

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuOr')
ax.set_title('PuOr')

Text(0.5, 1, 'PuOr')

在这里插入图片描述

21 PuRd

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='PuRd')
ax.set_title('PuRd')

Text(0.5, 1, 'PuRd')

在这里插入图片描述

22 Purples

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Purples')
ax.set_title('Purples')

Text(0.5, 1, 'Purples')

在这里插入图片描述

23 RdBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdBu')
ax.set_title('RdBu')

Text(0.5, 1, 'RdBu')

在这里插入图片描述

24 RdGy

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdGy')
ax.set_title('RdGy')

Text(0.5, 1, 'RdGy')

在这里插入图片描述

25 RdPu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdPu')
ax.set_title('RdPu')

Text(0.5, 1, 'RdPu')

在这里插入图片描述

26 RdYlBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdYlBu')
ax.set_title('RdYlBu')

Text(0.5, 1, 'RdYlBu')

在这里插入图片描述

27 RdYlGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='RdYlGn')
ax.set_title('RdYlGn')

Text(0.5, 1, 'RdYlGn')

在这里插入图片描述

28 Reds

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Reds')
ax.set_title('Reds')

Text(0.5, 1, 'Reds')

在这里插入图片描述

29 Set1

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Set1')
ax.set_title('Set1')

Text(0.5, 1, 'Set1')

在这里插入图片描述

30 Set2

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Set2')
ax.set_title('Set2')

Text(0.5, 1, 'Set2')

在这里插入图片描述

31 Set3

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Set3')
ax.set_title('Set3')

Text(0.5, 1, 'Set3')

在这里插入图片描述

32 Spectral

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Spectral')
ax.set_title('Spectral')

Text(0.5, 1, 'Spectral')

在这里插入图片描述

33 Wistia

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='Wistia')
ax.set_title('Wistia')

Text(0.5, 1, 'Wistia')

在这里插入图片描述

34 YlGn

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlGn')
ax.set_title('YlGn')

Text(0.5, 1, 'YlGn')

在这里插入图片描述

35 YlGnBu

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlGnBu')
ax.set_title('YlGnBu')

Text(0.5, 1, 'YlGnBu')

在这里插入图片描述

36 YlOrBr

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlOrBr')
ax.set_title('YlOrBr')

Text(0.5, 1, 'YlOrBr')

在这里插入图片描述

37 YlOrRd

f, ax = plt.subplots(figsize=(13,11))
sns.heatmap(data.corr(), annot=True, ax=ax,cmap='YlOrRd')
ax.set_title('YlOrRd')

Text(0.5, 1, 'YlOrRd')

在这里插入图片描述

plotcov（C，mu，varargin）：通过在1、2和3标准差处绘制椭圆来可视化2x2协方差矩阵。-matlab开发
05-29
假设 `size(X,2) == 2` 那么``` plotcov(cov(X), mean(X)); ``` 将在 1、2 和 3 个标准差处绘制椭圆。 另请参阅（或仅运行）`plotcov_demo` 示例。
深入理解 “协方差矩阵”（python 模拟）
小小秃头怪的博客
02-20 2899
深入理解“协方差矩阵” 协方差矩阵时机器学习中常用的概念，应该是像是牛顿三大定律一样章口就莱。但是真当用到的时候却还是模棱两可，需要重新查资料确认，这次就写一篇文章一次性给自己说清楚，也争取能给大家说清楚。 方差和协方差 先弄清楚方差和协方差才能深入理解协方差矩阵（以下给出的均为统计学中的定义） 方差：是用来度量单个随机变量的变化程度（也称离散程度） 协方差：用于衡量两个随机变量总体变化程度。 有...
PCA方法的分解过程_协方差矩阵+特征值分解+降维投影
王缓缓欢的博客
11-15 4507
非原创，感谢原作Sebastian Raschka https://sebastianraschka.com/Articles/2015_pca_in_3_steps.html from sklearn import datasets # 加载数据 iris = datasets.load_iris() # help(datasets.load_iris) # Check the data struture X = iris.data # Each row is an observation, eac
协方差矩阵可视化指南：如何用Seaborn热力图解读变量关系（附完整代码）
最新发布
weixin_29064009的博客
03-31 209
本文详细介绍了如何使用Seaborn热力图可视化协方差矩阵，帮助非技术背景的决策者直观理解变量间的关系。通过完整的Python代码示例，展示了从数据准备到高级可视化的全流程，特别适合金融分析、市场研究等需要解读多维数据关联的场景。文章还提供了热力图参数优化建议和业务洞见挖掘方法，助力数据驱动决策。
计算机组成原理第三章小结
weixin_56217527的博客
12-10 641
计组第三章 总线
基于 Matlab 的方差-协方差矩阵可视化表示（椭圆、椭球）
一些笔记
04-05 5231
基于 Matlab 的方差-协方差矩阵的可视化表示 因为在学习模糊度固定的时候涉及了『搜索椭球』这一概念，很想知道是如何用椭球来表示搜索空间的。出于好奇，在查阅了一些相关文献，终于解决了笔者的疑惑，此篇博文就简要记录一下如何根据协方差矩阵来绘制椭球。 下面是得到的一些结论： - 对协方差矩阵进行奇异值分解得到奇异值和奇异向量 - 协方差矩阵的奇异值表征椭球的向径长度 - 协方差矩阵的奇异向量表征椭球的向径指向
Python可视化扩展库Matplotlib中使用参数cmap实现颜色映射
董付国的Python专栏
08-07 5956
开学第一课：一定不要这样问老师Python问题在线开放课程“Python程序设计基础”第7次开课通知董付国老师Python系列教材推荐与选用参考=============版权声明：由于公众号后台规则问题，本文暂时无法设置原创标记，但仍属原创内容，微信公众号“Python小屋”坚持只发原创技术文章。=============推荐教材：《Python程序设计（第3版）》，（I...
python seaborn.heatmap参数介绍
热门推荐
早起CaiCai的学习空间
05-20 4万+
seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt=’.2g’, annotkws=None, linewidths=0, linecolor=‘white’, cbar=True, cbarkws=None, cbar_ax=None, square=False, ax=None, xticklabels=True, yticklabels=True, mask=
【PYTHON】绘制热力图SEABORN.HEATMAP
weixin_45841831的博客
05-08 1万+
sns.heatmap(x, mask=x < 1, ax=ax2, annot=True, annot_kws={“weight”: “bold”}) #把小于1的区域覆盖掉。设置坐标轴刻度参数，”axis”不写的时候，默认是x轴和y轴的参数同时调整。cmap=“OrRd”：深红色到浅红色，类似“Oranges”。cmap=“hot”：黄色到红色，数字越大，颜色越浅。cmap=“gist_rainbow”：彩虹色。将x轴刻度放置在top位置的几种方法。cmap=“greys”：灰色。
Python可视化 | Seaborn之seaborn.heatmap()热力图
m0_38090787的博客
08-05 1万+
Seaborn之seaborn.distplot() Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。 seaborn.heatmap()热力图，常用于展示一组变量的相关系数矩阵，列联表的数据分布，通过热力图我们可以直观地看到所给数值大小的差异状况。 seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt=
python可视化——热力图heatmap seaborn库
xiaohutong1991的专栏
08-03 1万+
核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。通过核密度估计图可以比较直观的看出数据样本本身的分布特征。
python实现计算RGB图像协方差矩阵
qq_43792362的博客
04-01 2577
代码如下: import cv2 import numpy as np from matplotlib import pyplot as plt # 计算三波段协方差 ''' 1.读取图像BGR三个波段的元素 2.分别计算三个波段元素平均值 3.计算cov协方差 4.得出协方差矩阵 ''' def Cov(image): w = image.shape[0] h = i...
python数据分析绘图
chj65的博客
11-26 2875
火山图（Volcano plots）是散点图的一种，根据变化幅度（FC，Fold Change）和变化幅度的显著性（P value）进行绘制，其中标准化后的FC值作为横坐标，P值作为纵坐标，可直观的反应高变的数据点，常用于基因组学分析（转录组学、代谢组学等）。从右上角到左下角，随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。其中，公式的分子为X，Y两个变量的协方差，Var(X)和Var(Y)分别是这两个变量的方差。制作火山图的准备工作。
Detectron2热力图可视化
m0_50948137的博客
03-01 1031
Detectron2热力图可视化
从协方差矩阵到降维可视化：PCA 的数学原理与应用
MoRanzhi1203的博客
09-30 1526
这篇文章系统介绍了主成分分析（PCA）的原理与实践。首先讲解了 PCA 的数学基础，包括数据中心化、协方差矩阵与特征值分解；然后展示了如何使用 scikit-learn 对鸢尾花数据集进行 PCA 降维、可视化协方差矩阵、特征值、二维投影及累计解释方差；最后总结了 PCA 在高维可视化、数据压缩、去噪和特征提取等场景的应用，为理解和实践线性降维提供了完整指导。
python可视化之seaborn
GhostLWB的博客
08-11 1万+
数据可视化的文章我很久之前就打算写了，因为最近用Python做项目比较多，于是就花时间读了seaborn的文档，写下了这篇。 数据可视化在数据挖掘中是一个很重要的部分，将数据用图表形式展示可以很直观地看到数据集的特点（比如正态分布，长尾分布，聚集等），方便下一步怎么对数据进行处理。 这里我用的是Python来进行可视化，因为Python的框架相对较多而且使用的也较广泛。我们在这里用的是seab...
【数学】协方差介绍、相关系数介绍，Python代码
q742971636的博客
08-08 2740
协方差（Covariance）是统计学中用来衡量两个随机变量之间关系的一种度量。它反映了这两个变量的变化趋势是否一致，即当一个变量偏离其均值时，另一个变量是否也倾向于偏离其均值。协方差可以帮助我们了解变量之间的线性关系以及它们的相互变化情况。具体而言，对于两个随机变量 X 和 Y，它们的协方差记作 Cov(X, Y)，计算公式如下：然而，协方差的数值大小受到变量单位的影响，不易直接比较不同数据集之间的关系。
python数据可视化——直方图、热力图和缺失值可视化
vivian_ll的博客
05-17 2万+
一、绘制直方图 首先读入数据 def read_data(): path = '../data/forCodeF-2.csv' data = pd.read_csv(path,encoding='gbk') return data 然后调用matplotlib.pyplot.hist函数绘制各维特征的分布直方图。 import matplotlib.pyplot as p...
cmap颜色汇总
qq_43201025的博客
06-05 9433
使用方法：指定参数cmap=对应颜色的名字。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值