為什么選擇條形熱圖

在科研數(shù)據(jù)分析和工程信號(hào)處理領(lǐng)域，當(dāng)我們需要同時(shí)展示多個(gè)樣本的連續(xù)變量波形時(shí)，傳統(tǒng)的折線圖往往顯得雜亂無(wú)章 —— 想象一下，15 條波形曲線在同一個(gè)坐標(biāo)系里交織，是不是瞬間讓人眼花繚亂？這時(shí)候，條形熱圖（Strip Heatmap） 就像一位魔法設(shè)計(jì)師，用色彩編碼和有序排列讓復(fù)雜數(shù)據(jù)變得清爽直觀！

今天我們要分享的案例是：通過(guò)模擬帶噪聲的高斯峰值信號(hào)，用 Seaborn 繪制高顏值條形熱圖，展示不同樣本的波形差異。這種可視化方法廣泛應(yīng)用于光譜分析、傳感器信號(hào)處理、生物醫(yī)學(xué)數(shù)據(jù)（如心電圖波形）等場(chǎng)景，能讓你一眼捕捉到數(shù)據(jù)的峰值位置、強(qiáng)度差異和噪聲分布～

代碼全景

先來(lái)看一段充滿 “數(shù)學(xué)美感” 的代碼，它模擬了 15 個(gè)帶隨機(jī)峰值的信號(hào)，并將它們優(yōu)雅地排列成熱圖：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 生成隨機(jī)數(shù)據(jù)（核心可替換區(qū)域①）
np.random.seed(0) # 固定隨機(jī)種子，確保結(jié)果可復(fù)現(xiàn)
x = np.arange(0, 91) # X軸范圍：0到90（代表信號(hào)的連續(xù)變量，如波長(zhǎng)、時(shí)間等）
n_samples = 15 # 樣本數(shù)量，可改為你的實(shí)際樣本數(shù)
data = []
# 生成每個(gè)樣本的峰值位置（35-55之間的隨機(jī)值，可替換為真實(shí)峰值數(shù)據(jù)②）
peaks = np.random.uniform(35, 55, size=n_samples)
for p in peaks:
# 高斯函數(shù)生成峰值波形（可替換為自定義函數(shù)③，如正弦波、指數(shù)衰減等）
profile = np.exp(-(x - p)**2 / (2 * 8**2)) # 標(biāo)準(zhǔn)差8控制峰寬
noise = np.random.randn(len(x)) * 2 # 高斯噪聲，可調(diào)整噪聲強(qiáng)度④
# 信號(hào)疊加：基線10 + 峰值信號(hào)*40 + 噪聲（可修改基線和縮放因子⑤）
row = 10 + profile * 40 + noise
data.append(row)
# 創(chuàng)建數(shù)據(jù)框（核心可替換區(qū)域⑥：替換為你的真實(shí)數(shù)據(jù)）
df = pd.DataFrame(data, columns=x) # columns對(duì)應(yīng)X軸變量，如波長(zhǎng)、時(shí)間點(diǎn)
labels = [f"Samp {chr(ord('A')+i)}" for i in range(n_samples)] # 樣本標(biāo)簽
df.index = labels # 設(shè)置行名為樣本標(biāo)簽
# 繪制條形熱圖（可視化參數(shù)可靈活調(diào)整⑦）
plt.figure(figsize=(12, 6)) # 調(diào)整畫(huà)布大小
sns.heatmap(
df.iloc[::-1], # 反轉(zhuǎn)行順序，讓第一個(gè)樣本顯示在頂部
cmap="coolwarm", # 藍(lán)-紅發(fā)散色階，適合顯示有基線的信號(hào)
vmin=0, vmax=50, # 固定顏色范圍，確保不同數(shù)據(jù)對(duì)比一致
cbar=True, # 顯示顏色條
linewidths=0.5, # 樣本間添加白色分隔線
linecolor='white' # 分隔線顏色
)
plt.title("條形熱圖：帶噪聲的高斯峰值信號(hào)", fontsize=16, pad=20)
plt.xlabel("K (w) （可替換為實(shí)際變量名，如波長(zhǎng)/nm、時(shí)間/ms）", fontsize=14)
plt.ylabel("樣本", fontsize=14)
# 定制X軸刻度：每10個(gè)單位顯示一個(gè)刻度
plt.xticks(np.arange(0, len(x), 10), np.arange(0, len(x), 10))
# 定制Y軸標(biāo)簽：反轉(zhuǎn)順序并取消旋轉(zhuǎn)，讓標(biāo)簽水平顯示
plt.yticks(np.arange(len(labels)) + 0.5, labels[::-1], rotation=0)
plt.tight_layout() # 自動(dòng)調(diào)整布局，避免標(biāo)簽重疊
plt.show()

效果如下

代碼逐行解析

1.數(shù)據(jù)生成：打造帶峰值的模擬信號(hào)（核心可替換區(qū)）

① X 軸范圍與樣本數(shù)量：

x = np.arange(0, 91)定義了信號(hào)的連續(xù)變量，比如這里模擬的是 0-90 的 “K (w)” 變量（實(shí)際可替換為波長(zhǎng)、時(shí)間、溫度等）。n_samples是樣本數(shù)量，直接改為你的實(shí)際樣本數(shù)，比如 30 個(gè)傳感器數(shù)據(jù)。

② 峰值位置定制：

peaks = np.random.uniform(35, 55, size=n_samples)生成 35-55 之間的隨機(jī)峰值位置。如果有真實(shí)峰值數(shù)據(jù)，直接替換為列表或數(shù)組，例如：

peaks = [40.2, 52.1, 38.5, ...] # 你的真實(shí)峰值位置

③ 波形函數(shù)替換：

目前用高斯函數(shù)np.exp(-(x - p)**2 / (2 * 8**2))生成鐘形曲線，你可以換成任何自定義函數(shù)！比如：

正弦波：np.sin(x * 0.1 + p)（模擬周期性信號(hào)）

指數(shù)衰減：np.exp(-(x - p)/10)（模擬衰減信號(hào)）

階梯函數(shù)：np.where(x > p, 1, 0)（模擬開(kāi)關(guān)信號(hào)）

④ 噪聲調(diào)整：

np.random.randn(len(x)) * 2控制噪聲強(qiáng)度，*2是標(biāo)準(zhǔn)差。想讓信號(hào)更 “干凈”？改成*1；想突出噪聲？試試*5～

⑤ 信號(hào)縮放與基線：

10 + profile * 40 + noise中，10是基線（信號(hào)最小值），*40是峰值縮放因子。根據(jù)真實(shí)數(shù)據(jù)范圍調(diào)整這兩個(gè)值，比如基線改為 20，縮放因子改為 30。

2.數(shù)據(jù)結(jié)構(gòu)化：用 Pandas 構(gòu)建表格（零代碼替換區(qū)）

⑥ 替換真實(shí)數(shù)據(jù)：

如果你有現(xiàn)成的 CSV 數(shù)據(jù)，直接用pd.read_csv('你的數(shù)據(jù).csv')讀取，確保列是 X 軸變量（如波長(zhǎng)點(diǎn)），行是樣本，然后跳過(guò)data生成步驟。例如：

df = pd.read_csv('sensor_data.csv', index_col=0) # index_col=0假設(shè)第一列為樣本標(biāo)簽

3.可視化魔法：Seaborn 熱圖的 “美顏秘籍”

⑦ 熱圖參數(shù)調(diào)優(yōu)：

cmap="coolwarm"：藍(lán) - 紅配色適合顯示有基線的信號(hào)，冷色代表低值，暖色代表高值。換成"viridis"（綠 - 黃 - 紅）或"magma"（黑 - 紅 - 黃）會(huì)有不同效果～

vmin=0, vmax=50：固定顏色映射范圍，避免不同數(shù)據(jù)導(dǎo)致色階變化，確?？鐖D對(duì)比一致。如果數(shù)據(jù)范圍是 10-60，就改為vmin=10, vmax=60。

linewidths=0.5, linecolor='white'：在樣本間添加細(xì)白分隔線，讓每個(gè)條形更清晰，就像給數(shù)據(jù) “穿上整齊的格子衫”～

df.iloc[::-1]：反轉(zhuǎn)行順序，讓第一個(gè)樣本顯示在熱圖頂部（默認(rèn)是底部），符合從 “上到下” 的閱讀習(xí)慣。

個(gè)性化改造

場(chǎng)景一：我的數(shù)據(jù)不是高斯峰值，是真實(shí)傳感器波形怎么辦

直接替換信號(hào)生成部分！假設(shè)你有一批心電圖（ECG）數(shù)據(jù)，每個(gè)樣本是 500 個(gè)時(shí)間點(diǎn)的電壓值：

• 刪除peaks和循環(huán)生成profile的代碼
• 用pd.read_csv讀取 CSV 文件，確保每行是一個(gè)樣本，每列是時(shí)間點(diǎn)
• 跳過(guò)噪聲生成（如果數(shù)據(jù)已含噪聲）或添加自定義噪聲

場(chǎng)景二：想換一種更專業(yè)的配色方案

Seaborn 提供了超多色階，試試這些組合：

• 科研論文常用：cmap="rocket"（藍(lán) - 黃 - 紅，適合單峰數(shù)據(jù)）、cmap="bwr"（藍(lán) - 白 - 紅，突出基線對(duì)稱數(shù)據(jù)）
• 高對(duì)比度模式：cmap="coolwarm_r"（反轉(zhuǎn)色階，讓高值顯示為藍(lán)色）
• 漸變色推薦：搭配vmin和vmax使用，比如光譜數(shù)據(jù)用cmap="hsv"，呈現(xiàn)彩虹色漸變～

場(chǎng)景三：樣本標(biāo)簽太多，Y 軸標(biāo)簽擠在一起

三大解決方案來(lái)襲：

縮小字體：plt.yticks(..., fontsize=10)

截?cái)鄻?biāo)簽：用縮寫(xiě)（如 “Samp A”→“A”），或生成標(biāo)簽時(shí)用簡(jiǎn)寫(xiě)：

labels = [f"A{i}" for i in range(n_samples)] # 生成A0, A1, ..., A14

旋轉(zhuǎn)標(biāo)簽：如果必須顯示全稱，嘗試輕微旋轉(zhuǎn)：

plt.yticks(..., rotation=15) # 15度傾斜，更易閱讀

擴(kuò)展應(yīng)用

生物醫(yī)學(xué)：心電圖波形對(duì)比

X 軸：時(shí)間（ms），Y 軸：不同患者，顏色：電壓（μV）

應(yīng)用：快速識(shí)別異常波形（如峰值偏移、節(jié)律異常），比單獨(dú)看折線圖清晰 10 倍！

材料科學(xué)：光譜吸收曲線

X 軸：波長(zhǎng)（nm），Y 軸：不同薄膜樣品，顏色：吸光度

應(yīng)用：對(duì)比材料的特征吸收峰位置和強(qiáng)度，一鍵定位最佳制備工藝～

工程信號(hào)：傳感器陣列數(shù)據(jù)

X 軸：頻率（Hz），Y 軸：不同傳感器節(jié)點(diǎn)，顏色：信號(hào)強(qiáng)度

應(yīng)用：監(jiān)測(cè)設(shè)備振動(dòng)信號(hào)，快速定位異常頻率的傳感器節(jié)點(diǎn)～

關(guān)鍵可替換點(diǎn)總結(jié)

總結(jié)

通過(guò)這篇攻略，我們掌握了從信號(hào)生成到熱圖繪制的全流程，更重要的是學(xué)會(huì)了如何將代碼適配到真實(shí)場(chǎng)景。條形熱圖的核心優(yōu)勢(shì)在于：

• 有序排列：樣本按行排列，避免折線圖的重疊混亂
• 色彩編碼：用顏色深淺直觀展示數(shù)值大小，比數(shù)字表格更易捕捉規(guī)律
• 細(xì)節(jié)可控：從色階到分隔線，每個(gè)像素都能定制，滿足論文、報(bào)告、PPT 的不同需求

現(xiàn)在，你只需替換代碼中的6 處核心區(qū)域（數(shù)據(jù)生成、數(shù)據(jù)框、可視化參數(shù)），就能將這段代碼變成你的專屬可視化工具～

到此這篇關(guān)于Python繪制條形熱圖的示例代碼的文章就介紹到這了,更多相關(guān)Python條形熱圖內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論