Python中带有成对数据的热图

我正在尝试用Python制作热图。我制作了一个数据框，如下所示

custom_vals = [[.0, .0], [0,5], [0,10], [0,15], [0,20], [0,25],
               [5,0], [5,5], [5,10], [5,15], [5,20], [5,25],
               [10,0], [10,5], [10,10], [10,15], [10,20], [10,25],
               [15,0], [15,5], [15,10], [15,15], [15,20], [15,25],
               [20,0], [20,5], [20,10], [20,15], [20,20], [20,25], 
               [25,0], [25,5], [25,10], [25,15], [25,20], [25,25]] # ordered pairs (G, H)
custom_predict = (np.around(model.predict(custom_vals), decimals=2))
predicted_vals = pd.DataFrame(data=custom_predict, index = ['0, 0', '0, 5','0, 10', '0, 15', '0, 20', '0, 25',
                                                            '5, 0', '5, 5','5, 10', '5, 15', '5, 20', '5, 25',
                                                            '10, 0', '10, 5','10, 10', '10, 15', '10, 20', '10, 25',
                                                            '15, 0', '15, 5','15, 10', '15, 15', '15, 20', '15, 25',
                                                            '20, 0', '20, 5','20, 10', '20, 15', '20, 20', '20, 25',
                                                            '25, 0', '25, 5','25, 10', '25, 15', '25, 20', '25, 25',], columns=[precip_levels])
predicted_vals 

在图像中，y轴包含有序对（

G

，

H

）。概率表示给定一对y值的x值的概率。例如，在上表中，给定g和h=0时，x=0的概率为0.87

我想把它变成一张热图，上面有一个彩色的概率条。我的目标是分离有序对（指定为

G

和

H

——请参见上面代码中的注释），以便

G

位于x轴，而

H

位于y轴。我一次只想担心一个x值。例如，我想将如下内容制作成一张热图

---

我如何在Python中执行类似的操作？我对任何图书馆都开放。

我建议使用

seaborn

：

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

# Create dummy data
data = np.array(np.random.rand(5, 5))

fig,ax = plt.subplots()
fig.set_figheight(7)
fig.set_figwidth(7)

sns.heatmap(data, annot = True)

plt.show()

---

我建议使用

seaborn

：

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

# Create dummy data
data = np.array(np.random.rand(5, 5))

fig,ax = plt.subplots()
fig.set_figheight(7)
fig.set_figwidth(7)

sns.heatmap(data, annot = True)

plt.show()

---

Seaborn

是一个非常棒的数据可视化库，也是熊猫的好朋友。我强烈建议您有一天阅读他们的文档

对于您的问题，有一个非常简单的解决方案。由于

custom\u predict

是通过您的特定函数获得的，因此我使用了一些随机数据作为示例

由于原始数据帧中的

x

预测值有多个值，我们可能希望根据

x

的所需值对其进行过滤（在您的情况下为0）

此外，我们还创建了两列

x

和

y

，这两列将是

custom\u vals

提供的坐标。这将如下所示：

         0    x     y
0,0   0.84  0.0   0.0
0,5   0.06  0.0   5.0
0,10  0.95  0.0  10.0
0,15  0.70  0.0  15.0
0,20  0.19  0.0  20.0

x     0.0   5.0   10.0  15.0  20.0  25.0
y                                       
0.0   0.84  0.73  0.37  0.75  0.55  0.67
5.0   0.06  0.58  0.69  0.86  0.76  0.54
10.0  0.95  0.02  0.59  0.30  0.79  0.36
15.0  0.70  0.10  0.19  0.92  0.04  0.24
20.0  0.19  0.77  0.74  0.12  0.14  0.87
25.0  0.48  0.34  0.99  0.80  0.56  0.43

Nextm我们需要它看起来像一个真实的热图，由一个数据框给出，

索引

对应于

y

值，

列

对应于

x

值。这是通过使用

pivot\u表

my_heatmap = desired_df.pivot_table(index='x', columns='y', values=desired_val)

这为我们提供了如下数据帧：

         0    x     y
0,0   0.84  0.0   0.0
0,5   0.06  0.0   5.0
0,10  0.95  0.0  10.0
0,15  0.70  0.0  15.0
0,20  0.19  0.0  20.0

x     0.0   5.0   10.0  15.0  20.0  25.0
y                                       
0.0   0.84  0.73  0.37  0.75  0.55  0.67
5.0   0.06  0.58  0.69  0.86  0.76  0.54
10.0  0.95  0.02  0.59  0.30  0.79  0.36
15.0  0.70  0.10  0.19  0.92  0.04  0.24
20.0  0.19  0.77  0.74  0.12  0.14  0.87
25.0  0.48  0.34  0.99  0.80  0.56  0.43

最后，我们可以绘制热图。我们需要

seaborn

和

matplotlib.pyplot

进行可视化

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(my_heatmap, cmap='plasma')
plt.show()

通过将关键字参数

cmap

更改为多个matplotlib颜色映射名称之一（您可以检查它们），可以选择其他颜色映射

---

如果您还有其他问题，请告诉我们

Seaborn

是一个很棒的数据可视化库，也是熊猫的好朋友。我强烈建议您有一天阅读他们的文档

对于您的问题，有一个非常简单的解决方案。由于

custom\u predict

是通过您的特定函数获得的，因此我使用了一些随机数据作为示例

由于原始数据帧中的

x

预测值有多个值，我们可能希望根据

x

的所需值对其进行过滤（在您的情况下为0）

此外，我们还创建了两列

x

和

y

，这两列将是

custom\u vals

提供的坐标。这将如下所示：

         0    x     y
0,0   0.84  0.0   0.0
0,5   0.06  0.0   5.0
0,10  0.95  0.0  10.0
0,15  0.70  0.0  15.0
0,20  0.19  0.0  20.0

x     0.0   5.0   10.0  15.0  20.0  25.0
y                                       
0.0   0.84  0.73  0.37  0.75  0.55  0.67
5.0   0.06  0.58  0.69  0.86  0.76  0.54
10.0  0.95  0.02  0.59  0.30  0.79  0.36
15.0  0.70  0.10  0.19  0.92  0.04  0.24
20.0  0.19  0.77  0.74  0.12  0.14  0.87
25.0  0.48  0.34  0.99  0.80  0.56  0.43

Nextm我们需要它看起来像一个真实的热图，由一个数据框给出，

索引

对应于

y

值，

列

对应于

x

值。这是通过使用

pivot\u表

my_heatmap = desired_df.pivot_table(index='x', columns='y', values=desired_val)

这为我们提供了如下数据帧：

         0    x     y
0,0   0.84  0.0   0.0
0,5   0.06  0.0   5.0
0,10  0.95  0.0  10.0
0,15  0.70  0.0  15.0
0,20  0.19  0.0  20.0

x     0.0   5.0   10.0  15.0  20.0  25.0
y                                       
0.0   0.84  0.73  0.37  0.75  0.55  0.67
5.0   0.06  0.58  0.69  0.86  0.76  0.54
10.0  0.95  0.02  0.59  0.30  0.79  0.36
15.0  0.70  0.10  0.19  0.92  0.04  0.24
20.0  0.19  0.77  0.74  0.12  0.14  0.87
25.0  0.48  0.34  0.99  0.80  0.56  0.43

最后，我们可以绘制热图。我们需要

seaborn

和

matplotlib.pyplot

进行可视化

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(my_heatmap, cmap='plasma')
plt.show()

通过将关键字参数

cmap

更改为多个matplotlib颜色映射名称之一（您可以检查它们），可以选择其他颜色映射

---

如果您还有其他问题，请告诉我们

maptlotlib

has

hist2d

（）和

plotly

has

heatmap

（）您能否解释一下如何从

预测值中获取热图数据？
predicted\u vals
的输出是否与上面的图像对应？
maptlotlib
具有
hist2d
（）和
plotly
具有
heatmap
（）能否请您进一步解释一下如何从
predicted\u vals
获得热图数据？
predicted\u val
的输出是否与上面的图像对应？我得到
TypeError：在这一行中，只有整数标量数组可以转换为标量索引
？我使用自己的数据创建了数据框，可能您的数据与我创建它的方式非常不同：
precip_levels=np.sort（pd.unique（df['category_Y_Variable']））print（precip_levels）#outpus[0.5.10.15.20.25.]
-谢谢！哦，我想我明白问题所在了。创建数据帧时，请尝试将关键字参数从
columns=[precip\u levels]
更改为
columns=precip\u levels
（不带方括号）。我得到
TypeError:此行只有整数标量数组可以转换为标量索引

您知道如何解决此问题吗？如何创建变量

精确级别

？我使用自己的数据创建了数据框，可能您的数据与我创建它的方式非常不同：

precip_levels=np.sort（pd.unique（df['category_Y_Variable']））print（precip_levels）#outpus[0.5.10.15.20.25.]

-谢谢！哦，我想我明白问题所在了。创建数据帧时，请尝试将关键字参数从

columns=[precip\u levels]

更改为

columns=precip\u levels

（不带方括号）。