如何用Python的Seaborn/Matplotlib同图可视化关联的2D与1D矩阵？

一、用Seaborn + Matplotlib实现你的刻度共享方案 #

完全可以通过手动布局子图的方式实现你的设想——将1D矩阵的可视化元素放在2D热力图的侧边，共享同一套刻度。下面是完整的代码示例：

代码实现 #

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 生成模拟数据（替换成你的真实数据）
m = 10
matrix_2d = np.random.rand(m, m)  # m×m的2D矩阵
matrix_1d = np.random.rand(m)     # m×1的1D矩阵

# 创建画布并手动划分子图区域
fig = plt.figure(figsize=(10, 10))
# 左侧1D矩阵子图（窄竖条）
ax_left = fig.add_axes([0.05, 0.1, 0.05, 0.8])
# 顶部1D矩阵子图（短横条）
ax_top = fig.add_axes([0.1, 0.85, 0.8, 0.05])
# 中心2D热力图子图
ax_heatmap = fig.add_axes([0.1, 0.1, 0.8, 0.75])

# 绘制左侧1D矩阵（用单列热力图匹配中心风格）
sns.heatmap(matrix_1d.reshape(-1, 1), ax=ax_left, cbar=False, cmap='viridis',
            yticklabels=False, xticklabels=False)
# 绘制顶部1D矩阵（用单行热力图匹配中心风格）
sns.heatmap(matrix_1d.reshape(1, -1), ax=ax_top, cbar=False, cmap='viridis',
            yticklabels=False, xticklabels=False)
# 绘制中心2D热力图
heatmap = sns.heatmap(matrix_2d, ax=ax_heatmap, cmap='viridis', cbar=True)

# 统一刻度标签
tick_labels = [f'Item {i}' for i in range(m)]
ax_heatmap.set_yticks(np.arange(m) + 0.5)
ax_heatmap.set_yticklabels(tick_labels)
ax_heatmap.set_xticks(np.arange(m) + 0.5)
ax_heatmap.set_xticklabels(tick_labels)

# 为1D矩阵添加独立颜色条（避免和2D热力图混淆）
cbar_1d = fig.colorbar(ax_left.collections[0], ax=[ax_left, ax_top], location='right', shrink=0.3)
cbar_1d.set_label('1D Matrix Values')

plt.show()

核心要点 #

• 用add_axes精确控制子图位置，保证侧边1D元素和中心热力图完全对齐
• 1D矩阵采用单列/单行热力图，和中心可视化风格统一；也可以替换为条形图（用sns.barplot），按需选择
• 单独为1D矩阵配置颜色条，放在画布边缘（如右侧），通过标签明确区分和2D热力图的差异

二、更优的替代可视化方案 #

如果想更直观体现2D矩阵对1D矩阵的依赖关系，推荐以下两种方式：

• 聚类热力图+侧边标记：使用seaborn.clustermap，在热力图的行/列侧边添加1D矩阵的颜色条，同时可对2D矩阵进行聚类，快速识别依赖模式
• 热力图行/列均值标注：在2D热力图的每行右侧或每列底部添加对应1D值的颜色块，比重复放置1D矩阵更紧凑，信息密度更高

三、1D矩阵图例的放置方法 #

• 最清晰的方式是为1D元素单独添加颜色条，放在画布边缘（如右侧、底部），和2D热力图的颜色条并排，用标签明确区分两者含义
• 若用条形图展示1D矩阵，可将图例放在顶部子图的右侧或左侧子图的上方，避免遮挡中心热力图
• 也可以将1D矩阵的颜色条嵌入到侧边子图的空白区域，减少画布空间浪费

内容的提问来源于stack exchange，提问作者maciejwww