本文介绍使用Python详细实现热力图（heatmap），包含55个代码模版，节选自👉原创Python可视化教程：530张图形+8000行代码+详细代码注释+后续免费更新+学习交流群，部分目录，
普通heatmap
普通热图严格来说不属于热图，而是颜色图（Color Image）。其生成过程不涉及数据转换计算，而是将数据简单映射到一个网格矩阵中，然后根据预先指定的颜色序列为网格矩阵中的数据赋予不同的颜色，从而利用颜色深浅来表示数据的大小。这种普通热图借助于人眼对颜色的敏感度，可以快速发现统计特征（如颜色深浅与数据大小的关系），相比直接观察数据，具有显著优势。
例如，普通heatmap-注释文本格式化，
plt.figure(dpi=120, figsize=(7, 6))
sns.set(font_scale=0.8, rc={"font.family": "Songti SC"})
sns.heatmap(
data=gene,
annot=True,
fmt=".2f", #设置每个格子中注释文本的格式，此处保留两位小数
cmap=sns.diverging_palette(255, 5, as_cmap=True),
)
plt.xticks(rotation=45)
例如，普通heatmap使用不同配色，
for ax, cmap, title in zip(axes.ravel(), cmaps, titles):
sns.heatmap(
data=gene,
annot=True,
cmap=cmap, # 设置colormap，更多参考上文章节“5.3.1 构建颜色”
ax=ax)
ax.set_title(title)
ax.tick_params(axis='x', rotation=45)
plt.tight_layout()
plt.show()
聚类热图
聚类热图（hierarchically-clustered heatmap）是在前文“11.1 普通热图”的基础上，通过应用聚类算法（见下文章节“11.2.6 聚类热图-聚类算法”）对行和列进行分组，在行列边界区域添加了聚类的谱系图。通过聚类热图，既可以观察数据矩阵的分布情况，也可以分析聚类结果。
例如，聚类热图-垂直+水平方向聚类，注意左侧和上侧同时添加了聚类树（dendrogram），
sns.clustermap(
data=healthexp[healthexp.洲名称.isin(['Europe'])],
pivot_kws={
'index': ['洲名称', '国家名称'],
'columns': '年份',
'values': '预期寿命'
},
row_cluster=True, #水平方向聚类
col_cluster=True, #垂直方向聚类
annot=True,
fmt=".1f",
cmap=sns.diverging_palette(255, 5, as_cmap=True),
).fig.set_dpi(150)
相关性热图
相关性热图（Correlation Heatmap）用于展示数据集矩形矩阵中行列变量之间的相关性程度，每个格子中的颜色则表示对应变量相关性程度高低。
例如，相关性热图-下对角相关矩阵，
plt.figure(dpi=120, figsize=(6, 4))
sns.set_theme(style="white", font_scale=0.8, rc={"font.family": "Songti SC"})
sns.heatmap(
data=gene.corr(),
mask=np.triu(np.ones_like(gene.corr())), #绘制下对角相关矩阵
annot=True,
fmt=".2f",
cmap=sns.diverging_palette(255, 5, as_cmap=True),
)
plt.xticks(rotation=90)
plt.yticks(rotation=0)
plt.show()
例如，相关性热图-聚类，
sns.set(rc={"font.family": "Songti SC"})
sns.clustermap( #sns.clustermap实现聚类
data=gene.corr(),
dendrogram_ratio=(
0.1, #行聚类树的宽度
0.1 #列聚类树的宽度
),
figsize=(7, 7),
annot=True,
fmt=".2f",
cmap=sns.diverging_palette(255, 5, as_cmap=True),
)
plt.show()
