Annotated heatmap with multiple color schemes

Question

I have the following dataframe and would like to differentiate the minor decimal differences in each "step" with a different color scheme in a heatmap.

Sample data:

Sample  Step 2  Step 3  Step 4  Step 5  Step 6  Step 7  Step 8
A   64.847  54.821  20.897  39.733  23.257  74.942  75.945
B   64.885  54.767  20.828  39.613  23.093  74.963  75.928
C   65.036  54.772  20.939  39.835  23.283  74.944  75.871
D   64.869  54.740  21.039  39.889  23.322  74.925  75.894
E   64.911  54.730  20.858  39.608  23.101  74.956  75.930
F   64.838  54.749  20.707  39.394  22.984  74.929  75.941
G   64.887  54.781  20.948  39.748  23.238  74.957  75.909
H   64.903  54.720  20.783  39.540  23.028  74.898  75.911
I   64.875  54.761  20.911  39.695  23.082  74.897  75.866
J   64.839  54.717  20.692  39.377  22.853  74.849  75.939
K   64.857  54.736  20.934  39.699  23.130  74.880  75.903
L   64.754  54.746  20.777  39.536  22.991  74.877  75.902
M   64.798  54.811  20.963  39.824  23.187  74.886  75.895

An example of what I am looking for:

Answer 1

我的第一种方法将基于具有多个子图的图形。图的数量等于数据框中的列数；地块之间的差距可以缩小到零：

cm = ['Blues', 'Reds', 'Greens', 'Oranges', 'Purples', 'bone', 'winter']
f, axs = plt.subplots(1, df.columns.size, gridspec_kw={'wspace': 0})
for i, (s, a, c) in enumerate(zip(df.columns, axs, cm)):
    sns.heatmap(np.array([df[s].values]).T, yticklabels=df.index, xticklabels=[s], annot=True, fmt='.2f', ax=a, cmap=c, cbar=False)
    if i>0:
        a.yaxis.set_ticks([])

结果：

不确定这是否会导致有用的甚至自我描述的数据可视化，但这是您的选择 - 也许这有助于开始......

补充：

关于添加颜色条：当然可以。但是 - 除了不知道数据的背景和可视化的目的 - 我想对所有这些添加一些想法：

首先：将所有这些颜色条添加为热图一侧或下方的一组单独的条形可能是可能的，但我发现读取数据已经非常困难，另外：您已经拥有所有这些注释 - 它会搞砸我思考。
另外：与此同时，@ImportanceOfBeingErnest 提供了关于该主题的如此漂亮的解决方案，这在这里没有太大意义。

第二：如果你真的想坚持热图的事情，也许拆分并给每一列它的颜色条会更适合：

cm = ['Blues', 'Reds', 'Greens', 'Oranges', 'Purples', 'bone', 'winter']
f, axs = plt.subplots(1, df.columns.size, figsize=(10, 3))
for i, (s, a, c) in enumerate(zip(df.columns, axs, cm)):
    sns.heatmap(np.array([df[s].values]).T, yticklabels=df.index, xticklabels=[s], annot=True, fmt='.2f', ax=a, cmap=c)
    if i>0:
        a.yaxis.set_ticks([])
f.tight_layout()

然而，所有这一切- 我敢于怀疑这是您数据的最佳可视化。当然，我不知道你想用这些图说、看到或发现什么，但这就是重点：如果可视化类型符合需求，我想我会知道（或者至少可以想象）。

举个例子：
一个简单的df.plot()结果

我觉得这比热图更能说明在十分之几秒内您的列的不同特征。

或者您是否明确指出了每列平均值的差异？

(df - df.mean()).plot()

... 或者他们周围每一列的分布？

(df - df.mean()).boxplot()

我想说的是：当一个情节在你开始/必须解释任何事情之前开始讲述底层数据时，数据可视化变得强大......

Answer 2

我想这个问题可以分为几个部分。

将具有不同颜色图的多个热图放入同一张图片中。这可以通过逐列屏蔽整个数组来完成，通过单独绘制每个屏蔽数组imshow并应用不同的颜色图。将概念形象化：

获取不同数量的不同颜色图。Matplotlib 提供了大量的颜色图，但是，它们在亮度和饱和度方面通常非常不同。这里似乎需要具有不同色调的颜色图，但在其他方面具有相同的饱和度和亮度。
一种选择是即时创建颜色图，选择n不同（且间隔相等）的色调，并使用相同的饱和度和亮度创建颜色图。

为每一列获取不同的颜色条。由于列内的值可能处于完全不同的比例，因此需要每列的颜色条来了解显示的值，例如，在第一列中，最亮的颜色可能对应于值 1，而在第二列中，它可能对应到 100 的值。可以在 a 的轴内创建几个颜色条，该轴GridSpec放置在实际热图轴旁边。该 gridspec 的列数和行数将取决于数据框中的列数。

总的来说，这可能如下所示。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
from matplotlib.gridspec import GridSpec

def get_hsvcmap(i, N, rot=0.):
    nsc = 24
    chsv = mcolors.rgb_to_hsv(plt.cm.hsv(((np.arange(N)/N)+rot) % 1.)[i,:3])
    rhsv = mcolors.rgb_to_hsv(plt.cm.Reds(np.linspace(.2,1,nsc))[:,:3])
    arhsv = np.tile(chsv,nsc).reshape(nsc,3)
    arhsv[:,1:] = rhsv[:,1:]
    rgb = mcolors.hsv_to_rgb(arhsv)
    return mcolors.LinearSegmentedColormap.from_list("",rgb)


def columnwise_heatmap(array, ax=None, **kw):
    ax = ax or plt.gca()
    premask = np.tile(np.arange(array.shape[1]), array.shape[0]).reshape(array.shape)
    images = []
    for i in range(array.shape[1]):
        col = np.ma.array(array, mask = premask != i)
        im = ax.imshow(col, cmap=get_hsvcmap(i, array.shape[1], rot=0.5), **kw)
        images.append(im)
    return images

### Create some dataset
ind = list("ABCDEFGHIJKLM")
m = len(ind)
n = 8
df = pd.DataFrame(np.random.randn(m,n) + np.random.randint(20,70,n), 
                  index=ind, columns=[f"Step {i}" for i in range(2,2+n)])

### Plot data
fig, ax = plt.subplots(figsize=(8,4.5))

ims = columnwise_heatmap(df.values, ax=ax, aspect="auto")

ax.set(xticks=np.arange(len(df.columns)), yticks=np.arange(len(df)),
       xticklabels=df.columns, yticklabels=df.index)
ax.tick_params(bottom=False, top=False, 
               labelbottom=False, labeltop=True, left=False)

### Optionally add colorbars.
fig.subplots_adjust(left=0.06, right=0.65)
rows = 3
cols = len(df.columns) // rows + int(len(df.columns)%rows > 0)
gs = GridSpec(rows, cols)
gs.update(left=0.7, right=0.95, wspace=1, hspace=0.3)
for i, im in enumerate(ims):
    cax = fig.add_subplot(gs[i//cols, i % cols])
    fig.colorbar(im, cax = cax)
    cax.set_title(df.columns[i], fontsize=10)

plt.show()