如何用三个一维数组生成目标热力图，现有散点图如何调整优化？

我需要基于3个一维数组生成热力图，预期效果如下图所示：

目前我仅能绘制散点图，其中散点的颜色、尺寸由第三个数组的取值决定，编写的代码如下：

xf = np.random.rand(1000)
yf = np.random.rand(1000)
zf = 1e5*np.random.rand(1000)    
ms1 = (zf).astype('int')


from matplotlib.colors import LinearSegmentedColormap
# Remove the middle 40% of the RdBu_r colormap
interval = np.hstack([np.linspace(0, 0.4), np.linspace(0.6, 1)])
colors   = plt.cm.RdBu_r(interval)
cmap     = LinearSegmentedColormap.from_list('name', colors)
col      = cmap(np.linspace(0,1,len(ms1)))
#for i in range(len(ms1)):
plt.scatter(xf, yf, c=zf, s=5*ms1/1e4, cmap=cmap,alpha=0.8)#, norm =matplotlib.colors.LogNorm())
ax1 =plt.colorbar(pad=0.01)

运行代码得到的实际效果如下图：

请问需要如何调整才能得到预期的热力图效果？我本质的需求是对x、y数组分组后计算对应z值的平均值。

你当前用散点绘图的方式没法实现连续的热力效果，需要先对x、y做二维网格分箱，统计每个网格内z的平均值，再绘制热力矩阵即可，修改后的代码如下：

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

# 模拟数据和原逻辑保持一致
xf = np.random.rand(1000)
yf = np.random.rand(1000)
zf = 1e5*np.random.rand(1000)    

# 自定义色阶和原代码保持一致
interval = np.hstack([np.linspace(0, 0.4), np.linspace(0.6, 1)])
colors   = plt.cm.RdBu_r(interval)
cmap     = LinearSegmentedColormap.from_list('name', colors)

# 1. 定义分箱精度，数值越大热力图细节越丰富
bins = 50
# 2. 二维分箱统计每个网格内的z值总和、数据点数量
z_sum, x_edges, y_edges = np.histogram2d(xf, yf, bins=bins, weights=zf)
point_count, _, _ = np.histogram2d(xf, yf, bins=bins)
# 计算均值，无数据的网格赋值为NaN避免干扰
z_mean = np.where(point_count>0, z_sum/point_count, np.nan)

# 3. 绘制热力图，注意矩阵转置匹配坐标轴
plt.pcolormesh(x_edges, y_edges, z_mean.T, cmap=cmap, alpha=0.8)
plt.colorbar(pad=0.01)
plt.show()

如果需要更平滑的热力效果，可以引入高斯滤波对均值矩阵做平滑处理，添加如下代码即可：

from scipy.ndimage import gaussian_filter
# sigma参数控制平滑程度，可根据需求调整
z_mean_smooth = gaussian_filter(z_mean, sigma=1.5)
# 替换绘图环节的z_mean为z_mean_smooth即可
plt.pcolormesh(x_edges, y_edges, z_mean_smooth.T, cmap=cmap, alpha=0.8)

内容的提问来源于stack exchange，提问作者jokerp