数据可视化｜用热力地图进行数据分析

Posted 2021-04-02 Python绿色通道

↑ 关注 + 星标 ，每天学Python新技能
后台回复【大礼包】送你Python自学大礼

热力地图是根据指标数据的大小，对各地区按比例填充颜色，用颜色的深浅代表数值的大小。由于展现的数据与地理位置相关，所以让信息沟通变得更加直观形象，也更具专业的品质。

传统的数据地图，地理区域的面积大小严重失衡，但是这又与展示的数据大小无关，造成面积小的区域在地图上可能难以识别。比如说，北京和上海，在地图上常常看不清楚。

为了统一各区域的大小，同时体现相对的地理位置，我们使用正六边形来代替地图上的区域。

比如说，为了展现各省 2019 年的 GDP 数据，我们可以制作一个如下的热力地图：

从上面的热力地图可以直观地看出，广东和江苏的 GDP 明显高于其他地区。

02

你可以前往 https://github.com/linjiwx/mp 下载画图用的数据和完整代码。

下面是作图的过程。

首先，导入所需的库，并设置中文字体和定义颜色等。

# 导入所需的库
import pandas as pd
import numpy as np
from plotnine import *
from pylab import mpl
import matplotlib.pyplot as plt
import matplotlib.patches as mpathes
from matplotlib.collections import PatchCollection
from matplotlib import cm, colors

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 禁用科学计数法
pd.set_option('display.float_format', lambda x: '%.2f' % x) 

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

其次，读取和定义数据。

# 从 Excel 文件中读取数据
df = pd.read_excel('./data/中国省份坐标.xlsx')
gdp = pd.read_excel('./data/各省2019年GDP数据.xlsx')

# 计算每个省份的中心坐标
df_center = df.groupby('Province').mean()

# 合并省份坐标和数据
dfxy = pd.merge(df_center, gdp, on='Province', how ='left')

# 定义颜色数值
color_value = np.array(dfxy.GDP)

接下来，开始用「面向对象」的方法进行画图。

# 使用「面向对象」的方法画图，定义图片的大小
fig, ax = plt.subplots(figsize=(16, 9))

# 设置背景颜色
fig.set_facecolor('w')
ax.set_facecolor('w')

# 设置标题
ax.set_title('
各省 2019 年的 GDP 数据', loc='center', fontsize=26)

# 循环设置每个省份
patches = []
for Province in np.unique(df['Province']):
    # 筛选每个省份的数据
    dfp = df[df['Province'] == Province]
    
    # 多边形的每个位置
    rect = mpathes.Polygon([(x, y) for x, y in zip(dfp['x'], dfp['y'])])
    patches.append(rect)
    
    # 多边形内部显示省份名称和数据
    ax.text(df_center.loc[Province].x, df_center.loc[Province].y, 
            '
'+Province+'
'+'%.2f' % dfxy[dfxy['Province'] == Province].GDP.values[0], 
            fontsize=15, va='center', ha='center', color=c['深灰色'])
    
# 填充形状和颜色
collection = PatchCollection(patches, alpha=0.5, cmap=plt.cm.Oranges, ec=c['浅灰色'], fc='w', lw=1)
collection.set_array(color_value)
ax.add_collection(collection)

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['bottom'].set_visible(False)

# 隐藏 X、Y 轴
ax.xaxis.set_visible(False)
ax.yaxis.set_visible(False)

# 避免变形
plt.axis('equal')

plt.show()

03

被誉为「摩天大楼之父」的美国著名建筑设计师路易斯·沙利文曾经说过一句名言：

形式永远服从于功能。

这句话用在数据可视化领域非常恰当，数据可视化是为了让数据更容易被读者理解，而不是为了炫耀。我们所使用的每一种视觉效果，都应该有其明确的、有价值的作用。

试想一下，如果我们的数据可视化作品，并没有提高易读性，而仅是为了美观或是为了炫耀自己使用软件的能力，那么同时使用多种效果只会加大读者阅读的难度。

无论你是否花费了大量的努力来精心制作，只要没人能理解你想表达的内容，你的数据可视化作品就是失败的，而你就应该有责任去解决这个问题。

  
    
    
  

   
     
     
   

     
       
       
     
 
      
        
          
          
        

         
           
           
         
 
          
           
             
             
           

            
              
              
            推荐阅读