如何并排可视化Numpy数组中原始数据与聚类成员关系？

我有一个尺寸为13500、形状为(15, 30, 30)的Numpy数组my_original_data，并基于其类别成员关系生成了包含三个特征的DataFramemy_cluster_df。希望能将原始数据（仅聚焦单一层的30×30热力图）与三类成员概率图并排可视化，直观展示每个网格对应的各类别成员占比。

尝试代码 #

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn.mixture import GaussianMixture

my_original_data = np.random.rand(13500).reshape(15, 30, 30)

rng = np.random.default_rng(42)

X = np.c_[    rng.normal(loc=25, scale=15, size=4500),    rng.normal(loc=65, scale=15, size=4500),    rng.normal(loc=115, scale=15, size=4500),].reshape(-1, 1)

model = GaussianMixture(n_components=3, random_state=42)
model.fit(X)

my_cluster_df = pd.DataFrame(np.round(model.predict_proba(X), 3), columns=["Class_Membership_1", "Class_Membership_2", "Class_Membership_3"])

fig = plt.figure()
ax = fig.add_subplot(111, projection="3d")
x = np.array(my_cluster_df["Class_Membership_1"])
y = np.array(my_cluster_df["Class_Membership_2"])
z = np.array(my_cluster_df["Class_Membership_3"])
ax.scatter(x, y, z, marker="s", c=my_cluster_df.index, s=40, cmap="RdBu")
plt.show()

side_by_side = np.hstack([
    np.array(my_original_data[0, 0:30, 0:30].reshape(30, 30)),
    np.array(my_cluster_df["Class_Membership_1"].head(30 * 30).to_numpy().reshape(30, 30)),
    np.array(my_cluster_df["Class_Membership_2"].head(30 * 30).to_numpy().reshape(30, 30)),
    np.array(my_cluster_df["Class_Membership_3"].head(30 * 30).to_numpy().reshape(30, 30))
])

期望效果为：原始数据热力图、三类成员概率热力图并排展示（对应示例图：原始数据热力图、类别1成员概率图、类别2成员概率图、类别3成员概率图）。

解决方案代码 #

通过Matplotlib的子图布局可实现需求，具体代码如下：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn.mixture import GaussianMixture

# 生成数据（与原代码逻辑一致）
my_original_data = np.random.rand(13500).reshape(15, 30, 30)
rng = np.random.default_rng(42)
X = np.c_[rng.normal(loc=25, scale=15, size=4500), 
          rng.normal(loc=65, scale=15, size=4500), 
          rng.normal(loc=115, scale=15, size=4500)].reshape(-1, 1)
model = GaussianMixture(n_components=3, random_state=42)
model.fit(X)
my_cluster_df = pd.DataFrame(np.round(model.predict_proba(X), 3), 
                            columns=["Class_Membership_1", "Class_Membership_2", "Class_Membership_3"])

# 匹配原始数据结构，提取对应层的概率数据
layer_data = my_original_data[0]  # 取第一层的30×30原始数据
class1_probs = my_cluster_df["Class_Membership_1"].values.reshape(15,30,30)[0]
class2_probs = my_cluster_df["Class_Membership_2"].values.reshape(15,30,30)[0]
class3_probs = my_cluster_df["Class_Membership_3"].values.reshape(15,30,30)[0]

# 创建1行4列的子图布局
fig, axes = plt.subplots(1, 4, figsize=(20, 5))

# 绘制原始数据热力图
im1 = axes[0].imshow(layer_data, cmap='viridis')
axes[0].set_title('原始数据热力图')
plt.colorbar(im1, ax=axes[0])

# 绘制类别1成员概率热力图
im2 = axes[1].imshow(class1_probs, cmap='viridis')
axes[1].set_title('类别1成员概率')
plt.colorbar(im2, ax=axes[1])

# 绘制类别2成员概率热力图
im3 = axes[2].imshow(class2_probs, cmap='viridis')
axes[2].set_title('类别2成员概率')
plt.colorbar(im3, ax=axes[2])

# 绘制类别3成员概率热力图
im4 = axes[3].imshow(class3_probs, cmap='viridis')
axes[3].set_title('类别3成员概率')
plt.colorbar(im4, ax=axes[3])

# 自动调整子图间距，避免元素重叠
plt.tight_layout()
plt.show()

代码说明 #

• 将概率值按原始数据的(15,30,30)形状重塑，确保每个网格位置一一对应；
• 使用subplots创建1行4列的子图布局，通过imshow绘制热力图；
• 为每个子图添加标题和颜色条，方便对比解读各网格的数值分布；
• 调用tight_layout()自动调整子图间距，优化展示效果。

内容的提问来源于stack exchange，提问作者bluered_earth