如何对两个KDE图做差值运算并展示差异热图？

如何对两个不同的kdeplot做差值运算并展示差异？如图右上角所示，绿色气泡与红色气泡存在重叠区域，希望将两个数据集相减后展示差异——比如当某位置绿色数据集的密度数值大于红色时，该位置显示绿色。

用户原代码如下：

import matplotlib.pyplot as plt
from PIL import Image
import seaborn as sns
from functions.getMinimapExtent import getMinimapExtent
from functions.getMinimapPath import getMinimapPath

def getHeatmap(x, y, map:str, title:str, x1, y1):
    #x ~= [2054, 4225, 4234, 2134, 3552, 5632, ...]
    #y ~= [1452, 2354, 6423, 3256, 2341, 5532, ...]
    #x1 ~= [5323, 2535, 1535, 6433, 2356, 2353, ...]
    #y1 ~= [6435, 2212, 3555, 2366, 7312, 1643, ...]

    img = Image.open(getMinimapPath(map))
    minimapExtent = getMinimapExtent(map)
    plt.imshow(img, extent=minimapExtent)

    # set seaborn style
    sns.set_style("white")

    # Custom the color, add shade and bandwidth
    sns.kdeplot(x=x, y=y, cmap="Reds", shade=True, bw_adjust=.2, alpha=.6, thresh=0.25, zorder=-1)
    sns.kdeplot(x=x1, y=y1, cmap="Greens", shade=True, bw_adjust=.2, alpha=.6, thresh=0.25, zorder=-1)

    plt.title(title)
    plt.axis("off")
    plt.savefig("bot/data/img/heatmap.png", dpi=500, bbox_inches="tight")
    plt.close()

要实现两个KDE密度的差值可视化，需要手动计算两个数据集的核密度估计值，再对网格上的密度值做差值运算，最后根据差值结果绘制差异区域。步骤如下：

1. 补充依赖工具：新增scipy.stats.gaussian_kde用于计算核密度，numpy生成对齐地图的网格点。
2. 生成匹配底图的网格：根据地图的范围参数，生成均匀分布的x、y网格，确保坐标和底图完全对齐。
3. 分别计算两个数据集的KDE密度：用和原代码一致的平滑度参数，计算每个网格点的密度值。
4. 计算密度差值：用绿色数据集的密度减去红色数据集的密度，得到差值矩阵。
5. 绘制目标差异区域：筛选出绿色密度大于红色的区域（差值>0），用绿色填充展示。

修改后的代码如下：

import matplotlib.pyplot as plt
from PIL import Image
import seaborn as sns
import numpy as np
from scipy.stats import gaussian_kde
from functions.getMinimapExtent import getMinimapExtent
from functions.getMinimapPath import getMinimapPath

def getHeatmap(x, y, map:str, title:str, x1, y1):
    # 加载底图和范围
    img = Image.open(getMinimapPath(map))
    minimapExtent = getMinimapExtent(map)
    x_min, x_max, y_min, y_max = minimapExtent

    plt.imshow(img, extent=minimapExtent)
    sns.set_style("white")

    # --------------------------
    # 计算两个数据集的KDE密度差值
    # --------------------------
    # 生成网格点（bins值越大精度越高，计算速度越慢，可按需调整）
    bins = 200
    xx, yy = np.meshgrid(np.linspace(x_min, x_max, bins),
                         np.linspace(y_min, y_max, bins))
    grid_points = np.vstack([xx.ravel(), yy.ravel()])

    # 计算红色数据集的KDE密度，bw_method对应原代码的bw_adjust
    kde_red = gaussian_kde(np.vstack([x, y]), bw_method=0.2)
    density_red = kde_red(grid_points).reshape(xx.shape)

    # 计算绿色数据集的KDE密度
    kde_green = gaussian_kde(np.vstack([x1, y1]), bw_method=0.2)
    density_green = kde_green(grid_points).reshape(xx.shape)

    # 计算密度差值：绿色 - 红色
    density_diff = density_green - density_red

    # --------------------------
    # 绘制差异区域
    # --------------------------
    # 只显示绿色密度大于红色的区域，用绿色填充
    plt.contourf(xx, yy, np.where(density_diff > 0, density_diff, np.nan),
                 cmap="Greens", alpha=0.6, zorder=-1)
    
    # 可选：若需要同时展示红色密度更高的区域，取消下面注释
    # plt.contourf(xx, yy, np.where(density_diff < 0, -density_diff, np.nan),
    #              cmap="Reds", alpha=0.6, zorder=-1)

    plt.title(title)
    plt.axis("off")
    plt.savefig("bot/data/img/heatmap.png", dpi=500, bbox_inches="tight")
    plt.close()

关键细节说明 #

• bw_method=0.2和原代码的bw_adjust=.2效果一致，保证KDE的平滑程度不变。
• bins参数控制网格精度，数值越大细节越丰富，但会增加计算耗时，可根据地图尺寸调整。
• np.where用于筛选出绿色密度更高的区域，只保留有效差值部分，避免无意义的重叠显示。
• zorder=-1确保差异图层在底图下方，不会遮挡地图内容。

内容的提问来源于stack exchange，提问作者monkaCode