Python绘制热力图主要使用Seaborn和Matplotlib。Seaborn语法简洁，适合快速展示相关性矩阵，如sns.heatmap(data, annot=True, cmap='coolwarm')；Matplotlib通过imshow()提供更细粒度控制，适用于自定义场景。结合pandas的corr()方法可直观分析变量相关性，Seaborn更实用，Matplotlib更灵活，按需选用。

Python绘制热力图主要通过可视化库实现，常用方法集中在Matplotlib和Seaborn上，操作简便且效果直观。数据通常以二维数组或DataFrame形式传入，适合展示相关性矩阵、密度分布等场景。

使用Seaborn绘制热力图

Seaborn是基于Matplotlib的高级绘图库，语法简洁，颜色配置美观，适合快速出图。

基本用法如下：

• 导入seaborn和matplotlib.pyplot
• 准备数据，如pandas的DataFrame
• 调用sns.heatmap()函数，设置参数如是否显示数值、颜色映射、是否显示色条等

示例代码：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
<h1>示例数据</h1><p>data = pd.DataFrame([[1, 5, 6], [4, 3, 2], [7, 8, 9]], columns=['A', 'B', 'C'])
sns.heatmap(data, annot=True, cmap='coolwarm', center=0)
plt.show()</p>

使用Matplotlib绘制基础热力图

Matplotlib提供更底层控制，适合需要自定义布局或集成到复杂图形中的情况。

可通过imshow()函数实现：

Python Hardener

通过完整的安全审查、代码整洁重构、健壮的错误处理、正确的日志记录以及完整的文档字符串覆盖，强化 Python 脚本。

下载

• 传入二维数据矩阵
• 设置cmap参数选择颜色方案
• 配合plt.colorbar()显示颜色标尺

示例代码：

import matplotlib.pyplot as plt
import numpy as np
<p>data = np.random.rand(5, 5)
plt.imshow(data, cmap='viridis')
plt.colorbar()
plt.xticks(range(5), ['X1', 'X2', 'X3', 'X4', 'X5'])
plt.yticks(range(5), ['Y1', 'Y2', 'Y3', 'Y4', 'Y5'])
plt.show()</p>

结合Pandas进行相关性分析绘图

在数据分析中，常对DataFrame计算corr()得到相关系数矩阵，再用热力图展示。

步骤包括：

立即学习“Python免费学习笔记（深入）”；

• 使用df.corr()生成相关性矩阵
• 过滤或处理缺失值
• 直接将结果传给sns.heatmap()

这样能清晰展现变量之间的正负相关趋势，便于特征选择。

基本上就这些，Seaborn最实用，Matplotlib更灵活，按需选择即可。