使用坐标点生成热图

Question

我是 Python 的新人。我的问题的答案可能在 Whosebug 中可用，但老实说，我几乎尝试了 Whosebug 中可用的所有代码和建议。

我的问题：和描述的差不多。我有坐标点（x 和 y）和相应的值（p）作为 .csv 文件。我正在使用 pandas.

读取该文件

df = pd.read_csv("example.csv")

example.csv 文件可以从 here 下载。让一个大小为 2000 x 2000 的图像。

任务：

根据 excel sheet 中的 x 和 y 坐标点，我必须找到该图像中的点。

让我们，A 是图像，A(x,y) 是 A 内的任意点。现在我必须以这样的方式生成热图，以便 x 中的 50 个像素和 y 中的 50 个像素，即 A(x,y), A(x+50, y), A (x, y+50) 和 A(x+50, y+50) 包含对应于该坐标点的 p。

我发现这对我的问题很有帮助，但问题是我的数据集需要进行更多修改。

上面可用的代码link:

#!/usr/bin/python3
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from skimage import io
from skimage.color import rgb2gray
import matplotlib as mpl
# Read original image
img = io.imread('img.jpg')

# Get the dimensions of the original image
x_dim, y_dim, z_dim = np.shape(img)

# Create heatmap
heatmap = np.zeros((x_dim, y_dim), dtype=float)

# Read CSV with a Pandas DataFrame
df = pd.read_csv("data.csv")

# Set probabilities values to specific indexes in the heatmap
for index, row in df.iterrows():
    x = np.int(row["x"])
    y = np.int(row["y"])
    x1 = np.int(row["x1"])
    y1 = np.int(row["y1"])
    p = row["Probability value"]
    heatmap[x:x1,y:y1] = p

# Plot images
fig, axes = plt.subplots(1, 2, figsize=(8, 4))
ax = axes.ravel()

ax[0].imshow(img)
ax[0].set_title("Original")
fig.colorbar(ax[0].imshow(img), ax=ax[0])

ax[1].imshow(img, vmin=0, vmax=1)
ax[1].imshow(heatmap, alpha=.5, cmap='jet')
ax[1].set_title("Original + heatmap")

# Specific colorbar
norm = mpl.colors.Normalize(vmin=0,vmax=2)
N = 11
cmap = plt.get_cmap('jet',N)
sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])
plt.colorbar(sm, ticks=np.linspace(0,1,N), 
             boundaries=np.arange(0,1.1,0.1)) 

fig.tight_layout()
plt.show()

我在使用这段代码时遇到的问题：

此代码正在生成方形边缘的热图，但我希望边缘平滑。我知道高斯分布可能会解决这个问题。但是我是 python 的新手，我不知道如何在我的数据集中实现高斯分布。
不属于坐标点的区域也生成一层颜色。作为覆盖图像的结果，那些层覆盖了原始图像的背景。一句话，我希望热图的背景是透明的，这样叠加层就不会在显示未被坐标点覆盖的区域时产生任何问题。

任何线索将不胜感激。

Answer 1

您链接的问题使用了 plotly。如果您不想使用它并且只想简单地平滑数据的外观，我建议只使用使用 scipy.

的高斯滤波器

在顶部，导入：

import seaborn as sns
from scipy.ndimage.filters import gaussian_filter

然后像这样使用它：

df_smooth = gaussian_filter(df, sigma=1)
sns.heatmap(df_smooth, vmin=-40, vmax=150, cmap ="coolwarm" , cbar=True , cbar_kws={"ticks":[-40,150,-20,0,25,50,75,100,125]})

您可以更改平滑量，例如使用sigma=3，或任何其他可提供所需平滑量的数字。

请记住，这也会 "smooth out" 您拥有的任何最大数据峰值，因此您的最小和最大数据将不再与您在规范化中指定的相同。为了仍然获得好看的热图，我建议不要为您的 vmin 和 vmax 使用固定值，但是：

sns.heatmap(df_smooth, vmin=np.min(df_smooth), vmax=np.max(df_smooth), cmap ="coolwarm" , cbar=True , cbar_kws={"ticks":[-40,150,-20,0,25,50,75,100,125]})

如果您的高斯滤波器满足您提到的期望，您甚至可以直接对数据实施高斯归一化。

Answer 2

你的代码很完美。只需更改一行，那么您的两个问题都将得到解决。

更改前:

ax[1].imshow(heatmap, alpha=.5, cmap='jet')

修改后：

ax[1].imshow(heatmap, alpha=.5, cmap='coolwarm', interpolation='gaussian')

虽然上述更改会解决您的问题，但如果您想要提高透明度，可以使用以下功能

def transparent_cmap(cmap, N=255):
    "Copy colormap and set alpha values"

    mycmap = cmap
    mycmap._init()
    mycmap._lut[:,-1] = np.linspace(0, 0.8, N+4)
    return mycmap
mycmap = transparent_cmap(plt.cm.coolwarm)

在这种情况下，您之前的代码行将更改如下：

ax[1].imshow(heatmap, alpha=.5, cmap=mycmap, vmin=0, vmax=1)

使用坐标点生成热图

Heat map generation using coordinate points

python

heatmap

python-3.x