请教如何复刻高聚合度红色Scatterplot可视化风格

我想重现目标图中的散点图可视化风格，当前制作的散点图会显示所有数据点，而我想要实现活动密集区域显示更大的深红色圆圈、活动稀疏区域显示浅色小圆圈的效果。我认为需要设置阈值来选择性展示数据点，避免全部显示，恳请指导如何实现类似目标图的可视化效果。

当前效果：

目标效果：

我的实现代码：

from typing import List, Tuple, Literal
import seaborn as sns

def plot_cumulative_heatmap(positions: List[Tuple[float, float]], map_name: str = "de_mirage", map_type: str = "original", dark: bool = False, titel: str = "Counter-Terrorist Attacking", isPistol: str = "Pistol Round") -> Literal[True]:
    heatmap_fig, heatmap_axes = plot_map(map_name=map_name, map_type=map_type, dark=dark)
    
    heatmap_data = []

    for position in positions:
        x, y = position
        heatmap_data.append((x, y))

    # Extract data for plotting
    x, y = zip(*heatmap_data)

    sns.scatterplot(x=x, y=y, color='red', s=5, ax=heatmap_axes, alpha=0.5)
    heatmap_axes.set_title(f"{titel}\nTotal Positions: {len(positions)}\n{isPistol}", fontsize=14, weight="bold")
    heatmap_axes.get_xaxis().set_visible(False)
    heatmap_axes.get_yaxis().set_visible(False)

    print("Heatmap saved.")
    return True

要实现目标图的效果，核心是根据区域的数据点密度调整点的大小和颜色，而非直接显示所有原始点。以下是具体实现方案：

核心思路 #

1. 对地图坐标进行网格分箱，统计每个网格内的点数（即密度）
2. 基于密度映射点的大小（密度越高点越大）和颜色（密度越高颜色越深）
3. 过滤无数据的网格，只显示有数据的区域

修改后的代码实现 #

from typing import List, Tuple, Literal
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors

def plot_cumulative_heatmap(positions: List[Tuple[float, float]], map_name: str = "de_mirage", map_type: str = "original", dark: bool = False, titel: str = "Counter-Terrorist Attacking", isPistol: str = "Pistol Round") -> Literal[True]:
    heatmap_fig, heatmap_axes = plot_map(map_name=map_name, map_type=map_type, dark=dark)
    
    # 提取坐标数据并转为numpy数组
    x, y = zip(*positions)
    x = np.array(x)
    y = np.array(y)

    # 1. 分箱统计每个网格的点数（密度）
    bins = 50  # 网格数量，值越大精度越高，可根据地图尺寸调整
    counts, x_edges, y_edges = np.histogram2d(x, y, bins=bins)
    
    # 计算每个网格的中心坐标（用于绘制点）
    x_centers = (x_edges[:-1] + x_edges[1:]) / 2
    y_centers = (y_edges[:-1] + y_edges[1:]) / 2
    x_mesh, y_mesh = np.meshgrid(x_centers, y_centers)
    
    # 展平数据并过滤无数据的网格
    counts_flat = counts.flatten()
    x_flat = x_mesh.flatten()
    y_flat = y_mesh.flatten()
    
    mask = counts_flat > 0
    x_filtered = x_flat[mask]
    y_filtered = y_flat[mask]
    density = counts_flat[mask]

    # 2. 设置大小和颜色映射
    size = np.sqrt(density) * 12  # 用平方根缩放避免大密度点尺寸过大，系数可调整
    norm = mcolors.Normalize(vmin=density.min(), vmax=density.max())
    colors = plt.cm.Reds(norm(density))  # Reds色系实现从浅到深的红色渐变

    # 3. 绘制密度散点图
    heatmap_axes.scatter(x_filtered, y_filtered, s=size, color=colors, alpha=0.8)
    
    heatmap_axes.set_title(f"{titel}\nTotal Positions: {len(positions)}\n{isPistol}", fontsize=14, weight="bold")
    heatmap_axes.get_xaxis().set_visible(False)
    heatmap_axes.get_yaxis().set_visible(False)

    print("Heatmap saved.")
    return True

参数调整建议 #

• bins：控制网格精细度，值越大网格越密，显示的点越多；值越小网格越粗，点越少
• size的缩放系数：调整点的最大/最小尺寸，让显示效果匹配目标图
• 颜色可替换为plt.cm.Reds_r反转色系，或自定义渐变范围

内容的提问来源于stack exchange，提问作者Nick