什么是热图（Heatmap）

热图（Heatmap）概述

热图是一种用颜色的深浅或色相变化来直观展示数值大小或密度分布的二维可视化图表。它把矩阵或空间中的每个数值映射为对应的颜色，使得观察者能够“一眼”捕捉到数据的整体趋势、局部热点以及潜在的模式。

1. 基本原理

• 颜色映射：将数值范围划分为若干色阶（如从蓝‑绿‑黄‑红的渐变），数值越大对应的颜色越“热”（暖色），数值越小对应的颜色越“冷”（冷色）。
• 矩阵表示：热图本质上是一个带颜色的表格，每个单元格的颜色由该位置的数值决定。
• 空间聚合：在地理或点数据场景下，常通过为每个点设定半径、累加灰度值再映射颜色，形成密度或强度的可视化。

2. 常见类型

3. 关键要素

1. 数据准备：需要一个数值矩阵或带坐标的点集合；若是生物或金融数据，常需归一化或标准化处理。
2. 颜色方案：常用的配色包括灰度、彩虹（Jet、Viridis 等）以及自定义的渐变色带；颜色选择应兼顾可辨识度和色盲友好性。
3. 聚类/排序：在矩阵热图中，常对行列进行层次聚类（dendrogram），使相似模式相邻，便于发现结构。
4. 交互功能：现代热图（如 heatmaply、Plotly）支持鼠标悬停显示具体数值、放大局部区域等交互操作，提升探索效率。

4. 典型应用场景

• 生物学：展示基因在不同样本中的表达水平，帮助发现共表达模块。
• 网站分析：通过点击、滚动、鼠标移动热图了解用户关注热点，指导页面布局优化。
• 金融市场：实时显示股票或期货价格的相关性矩阵，快速捕捉市场热点。
• 地理信息：在地图上渲染人口密度、降雨量、交通流量等空间分布。
• 制造与运营：可视化生产线的故障频率、设备利用率，辅助决策与预测。

5. 优势与局限

• 优势：
  • 颜色映射直观，易于快速识别高低值区域。
  • 能在单张图中展示大量数据，节省空间。
  • 结合交互功能后，可实现细粒度的数据探查。
• 局限：
  • 颜色感知受视力差异（如色盲）影响，需要慎选配色。
  • 对于极端值或分布不均的数据，颜色梯度可能失真，需要进行归一化或分段显示。
  • 热图只能展示数值大小，无法直接表达因果关系或多维度交互信息。

6. 创建热图的基本步骤（以 Python/Seaborn 为例）‍

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 1. 读取或构造数值矩阵
data = pd.read_csv('data.csv', index_col=0)

# 2. 可选：归一化或标准化
# data = (data - data.mean()) / data.std()

# 3. 绘制热图并添加聚类树
sns.clustermap(data, cmap='viridis', linewidths=.5, figsize=(10,8))

plt.show()

上述代码演示了从数据读取、（可选）标准化、到使用 clustermap 进行聚类热图绘制的完整流程。

结语
热图凭借其“颜色即信息”的直观特性，已成为数据分析、可视化以及业务决策中不可或缺的工具。无论是科研中的基因表达展示，还是商业中的用户行为洞察，合理选择配色、数据预处理以及交互方式，都能让热图发挥最大价值。