Python实现2880×2880相似度矩阵径向热力图的方案咨询

架构老林

2026-8-27

问题概述

现有尺寸为2880×2880的相似度矩阵（共850万个数据点），使用Holoviews绘制径向热力图时，生成的HTML文件大小达500MB，打开时始终处于加载状态无法正常显示，需求为基于该矩阵生成圆形径向热力图。

问题详情

数据源逻辑：数据源为10个不同点位一整年的监测数据，按月份-小时维度拆分数组：每个月对应24个数组（分别对应00:00至23:00各小时的聚合数据），单个数组长度为28-31（对应当月自然天数），数组单元格存储待分析的监测指标值。按该规则，单个点位对应24×12=288个数组，10个点位共计生成2880个数组；对所有数组两两计算相似度系数，最终得到2880×2880的相似度矩阵。
可视化要求：参考Holoviews官方RadialHeatMap样式生成径向相似度矩阵图，不需要显示刻度与标签（2880行数据对应的Place01Jan0800格式标签过于冗余，不便查看），仅保留图形形状、色彩映射和分区效果即可，参考样式如下：
现存问题：基于现有逻辑生成的HTML文件体积达500MB，打开后始终为空白无法加载，最小复现代码如下（已使用随机生成的测试数据替代真实数据加载逻辑）：

import sys
sys.setrecursionlimit(10000)

import random
import numpy as np
import pandas as pd
import holoviews as hv
from holoviews import opts
from bokeh.plotting import show
import gc

# 构造测试用例
def transformer():
    dimension = 2880
    dummy_matrix = ([[ random.random() for i in range(dimension)  ] for j in range(dimension)])

    col_vals = [str(i) for i in range(dimension*dimension)]
    row_vals = [str(i) for i in range(dimension*dimension)]
    val_vals = (np.reshape(np.array(dummy_matrix), -1)).tolist()
    idx_vals = [i for i in range(dimension*dimension)]

    return idx_vals, val_vals, row_vals, col_vals

idx_arr, val_arr, row_arr, col_arr = transformer()
df = pd.DataFrame({"values": val_arr, "x-label": row_arr, "y-label": col_arr}, index=idx_arr)

hv.extension('bokeh')
heatmap = hv.HeatMap(df, ["x-label", "y-label"])
heatmap.opts(opts.HeatMap(cmap="viridis", radial=True))

gc.collect()
show(hv.render(heatmap))

已尝试方案：查阅Datashader网格渲染相关文档，希望通过其降低渲染后的文件体积，但未找到将Datashader接入径向热力图渲染的方法，Holoviews的径向热力图组件暂不支持datashade特性。
需求补充：当前可视化仅用于演示，不需要悬停信息框、缩放交互等复杂功能，仅需要清晰的整体可视化概览效果即可，任何可行实现方案均接受。

可行实现方案

问题根源很明确：Holoviews搭配Bokeh渲染径向热力图时，会把850万个矩阵单元格作为独立矢量元素写入HTML，文件体积和浏览器渲染压力必然会达到无法正常加载的级别。既然不需要交互功能，完全没必要走前端矢量渲染的路线，直接用Matplotlib生成静态栅格图是效率最高的方案，生成的文件体积仅数MB，任意设备都能秒开，完全满足演示需求。

实现逻辑是直接在极坐标系下绘制栅格化的色块，关闭所有不需要的坐标轴元素，参考代码如下：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import Normalize

# 替换为你实际的2880*2880相似度矩阵
sim_matrix = np.random.rand(2880, 2880)
dim = sim_matrix.shape[0]

# 初始化画布，设置极坐标投影
fig = plt.figure(figsize=(10, 10), dpi=150)
ax = fig.add_subplot(111, projection='polar')
ax.set_axis_off() # 隐藏所有坐标轴、刻度、标签

# 生成极坐标网格
theta = np.linspace(0, 2 * np.pi, dim + 1)
r = np.linspace(0, 1, dim + 1)
Theta, R = np.meshgrid(theta, r)

# 绘制径向热力图
norm = Normalize(vmin=sim_matrix.min(), vmax=sim_matrix.max())
ax.pcolormesh(Theta, R, sim_matrix, cmap='viridis', norm=norm, shading='auto')

# 导出图片，去掉多余边距
plt.savefig('radial_heatmap.png', bbox_inches='tight', pad_inches=0, dpi=150)
plt.close()

如果需要HTML格式展示，直接把生成的PNG图片以<img>标签形式嵌入HTML即可，最终文件体积不到10MB，所有浏览器都能秒开。
如果需要添加分区分隔线，只需要计算分区对应的角度、半径位置，用ax.plot()绘制对应颜色的实线即可实现和参考样式一致的分区效果。

可选优化方案：如果一定需要保留基础的缩放、悬停交互，可以先把28802880的矩阵降采样到800800以内再用Holoviews渲染。对于演示用的概览图，2880的分辨率属于严重过剩，人眼无法区分单像素级的差异，降采样后生成的HTML体积会降到原来的1/13左右，基本可以正常加载。

内容的提问来源于stack exchange，提问作者user326964