Python绘制条形热图的示例代码_Python

为什么选择条形热图

在科研数据分析和工程信号处理领域，当我们需要同时展示多个样本的连续变量波形时，传统的折线图往往显得杂乱无章 —— 想象一下，15 条波形曲线在同一个坐标系里交织，是不是瞬间让人眼花缭乱？这时候，条形热图（strip heatmap） 就像一位魔法设计师，用色彩编码和有序排列让复杂数据变得清爽直观！

今天我们要分享的案例是：通过模拟带噪声的高斯峰值信号，用 seaborn 绘制高颜值条形热图，展示不同样本的波形差异。这种可视化方法广泛应用于光谱分析、传感器信号处理、生物医学数据（如心电图波形）等场景，能让你一眼捕捉到数据的峰值位置、强度差异和噪声分布～

代码全景

先来看一段充满 “数学美感” 的代码，它模拟了 15 个带随机峰值的信号，并将它们优雅地排列成热图：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 生成随机数据（核心可替换区域①）
np.random.seed(0) # 固定随机种子，确保结果可复现
x = np.arange(0, 91) # x轴范围：0到90（代表信号的连续变量，如波长、时间等）
n_samples = 15 # 样本数量，可改为你的实际样本数
data = []
# 生成每个样本的峰值位置（35-55之间的随机值，可替换为真实峰值数据②）
peaks = np.random.uniform(35, 55, size=n_samples)
for p in peaks:
# 高斯函数生成峰值波形（可替换为自定义函数③，如正弦波、指数衰减等）
profile = np.exp(-(x - p)**2 / (2 * 8**2)) # 标准差8控制峰宽
noise = np.random.randn(len(x)) * 2 # 高斯噪声，可调整噪声强度④
# 信号叠加：基线10 + 峰值信号*40 + 噪声（可修改基线和缩放因子⑤）
row = 10 + profile * 40 + noise
data.append(row)
# 创建数据框（核心可替换区域⑥：替换为你的真实数据）
df = pd.dataframe(data, columns=x) # columns对应x轴变量，如波长、时间点
labels = [f"samp {chr(ord('a')+i)}" for i in range(n_samples)] # 样本标签
df.index = labels # 设置行名为样本标签
# 绘制条形热图（可视化参数可灵活调整⑦）
plt.figure(figsize=(12, 6)) # 调整画布大小
sns.heatmap(
df.iloc[::-1], # 反转行顺序，让第一个样本显示在顶部
cmap="coolwarm", # 蓝-红发散色阶，适合显示有基线的信号
vmin=0, vmax=50, # 固定颜色范围，确保不同数据对比一致
cbar=true, # 显示颜色条
linewidths=0.5, # 样本间添加白色分隔线
linecolor='white' # 分隔线颜色
)
plt.title("条形热图：带噪声的高斯峰值信号", fontsize=16, pad=20)
plt.xlabel("k (w) （可替换为实际变量名，如波长/nm、时间/ms）", fontsize=14)
plt.ylabel("样本", fontsize=14)
# 定制x轴刻度：每10个单位显示一个刻度
plt.xticks(np.arange(0, len(x), 10), np.arange(0, len(x), 10))
# 定制y轴标签：反转顺序并取消旋转，让标签水平显示
plt.yticks(np.arange(len(labels)) + 0.5, labels[::-1], rotation=0)
plt.tight_layout() # 自动调整布局，避免标签重叠
plt.show()

效果如下

代码逐行解析

1.数据生成：打造带峰值的模拟信号（核心可替换区）

① x 轴范围与样本数量：

x = np.arange(0, 91)定义了信号的连续变量，比如这里模拟的是 0-90 的 “k (w)” 变量（实际可替换为波长、时间、温度等）。n_samples是样本数量，直接改为你的实际样本数，比如 30 个传感器数据。

② 峰值位置定制：

peaks = np.random.uniform(35, 55, size=n_samples)生成 35-55 之间的随机峰值位置。如果有真实峰值数据，直接替换为列表或数组，例如：

peaks = [40.2, 52.1, 38.5, ...] # 你的真实峰值位置

③ 波形函数替换：

目前用高斯函数np.exp(-(x - p)**2 / (2 * 8**2))生成钟形曲线，你可以换成任何自定义函数！比如：

正弦波：np.sin(x * 0.1 + p)（模拟周期性信号）

指数衰减：np.exp(-(x - p)/10)（模拟衰减信号）

阶梯函数：np.where(x > p, 1, 0)（模拟开关信号）

④ 噪声调整：

np.random.randn(len(x)) * 2控制噪声强度，*2是标准差。想让信号更 “干净”？改成*1；想突出噪声？试试*5～

⑤ 信号缩放与基线：

10 + profile * 40 + noise中，10是基线（信号最小值），*40是峰值缩放因子。根据真实数据范围调整这两个值，比如基线改为 20，缩放因子改为 30。

2.数据结构化：用 pandas 构建表格（零代码替换区）

⑥ 替换真实数据：

如果你有现成的 csv 数据，直接用pd.read_csv('你的数据.csv')读取，确保列是 x 轴变量（如波长点），行是样本，然后跳过data生成步骤。例如：

df = pd.read_csv('sensor_data.csv', index_col=0) # index_col=0假设第一列为样本标签

3.可视化魔法：seaborn 热图的 “美颜秘籍”

⑦ 热图参数调优：

cmap="coolwarm"：蓝 - 红配色适合显示有基线的信号，冷色代表低值，暖色代表高值。换成"viridis"（绿 - 黄 - 红）或"magma"（黑 - 红 - 黄）会有不同效果～

vmin=0, vmax=50：固定颜色映射范围，避免不同数据导致色阶变化，确保跨图对比一致。如果数据范围是 10-60，就改为vmin=10, vmax=60。

linewidths=0.5, linecolor='white'：在样本间添加细白分隔线，让每个条形更清晰，就像给数据 “穿上整齐的格子衫”～

df.iloc[::-1]：反转行顺序，让第一个样本显示在热图顶部（默认是底部），符合从 “上到下” 的阅读习惯。

个性化改造

场景一：我的数据不是高斯峰值，是真实传感器波形怎么办

直接替换信号生成部分！假设你有一批心电图（ecg）数据，每个样本是 500 个时间点的电压值：

删除peaks和循环生成profile的代码
用pd.read_csv读取 csv 文件，确保每行是一个样本，每列是时间点
跳过噪声生成（如果数据已含噪声）或添加自定义噪声

场景二：想换一种更专业的配色方案

seaborn 提供了超多色阶，试试这些组合：

科研论文常用：cmap="rocket"（蓝 - 黄 - 红，适合单峰数据）、cmap="bwr"（蓝 - 白 - 红，突出基线对称数据）
高对比度模式：cmap="coolwarm_r"（反转色阶，让高值显示为蓝色）
渐变色推荐：搭配vmin和vmax使用，比如光谱数据用cmap="hsv"，呈现彩虹色渐变～

场景三：样本标签太多，y 轴标签挤在一起

三大解决方案来袭：

缩小字体：plt.yticks(..., fontsize=10)

截断标签：用缩写（如 “samp a”→“a”），或生成标签时用简写：

labels = [f"a{i}" for i in range(n_samples)] # 生成a0, a1, ..., a14

旋转标签：如果必须显示全称，尝试轻微旋转：

plt.yticks(..., rotation=15) # 15度倾斜，更易阅读

扩展应用

生物医学：心电图波形对比

x 轴：时间（ms），y 轴：不同患者，颜色：电压（μv）

应用：快速识别异常波形（如峰值偏移、节律异常），比单独看折线图清晰 10 倍！

材料科学：光谱吸收曲线

x 轴：波长（nm），y 轴：不同薄膜样品，颜色：吸光度

应用：对比材料的特征吸收峰位置和强度，一键定位最佳制备工艺～

工程信号：传感器阵列数据

x 轴：频率（hz），y 轴：不同传感器节点，颜色：信号强度

应用：监测设备振动信号，快速定位异常频率的传感器节点～

关键可替换点总结

替换场景	代码位置	示例操作
x 轴变量名称	x = np.arange(0, 91)	改为x = np.linspace(200, 800, 301)（波长 200-800nm，301 个点）
样本数量	n_samples = 15	改为n_samples = 30（30 个样本）
峰值位置（真实数据）	peaks = np.random...	改为peaks = [45.2, 50.1, 38.7]（手动输入峰值）
波形函数	profile = np.exp(...)	改为profile = np.sin(x*0.05)（正弦波）
导入真实数据	df = pd.dataframe(data...)	改为df = pd.read_excel('你的数据.xlsx', index_col=0)
颜色映射	cmap="coolwarm"	改为cmap="viridis"（绿 - 黄 - 红渐变）