如何提升带特定标记的热图区分度及解决热图颜色无差异问题

我来帮你一步步搞定这三个需求，下面结合Python的Seaborn和Matplotlib给出具体实现：

一、先解决热图单一颜色的问题 #

热图呈现单一颜色通常有几个原因，对应解决方案如下：

• 数据本身差异极小：比如所有数值都在0.99-1.01之间，这时候需要对数据做归一化/标准化，把数值映射到0-1或均值为0的范围，放大差异。常用工具是sklearn.preprocessing里的MinMaxScaler或StandardScaler。
• 颜色映射设置不当：如果用了过于平缓的色带，或者手动设置了错误的vmin/vmax，可以换用对比度高的色板（比如viridis、coolwarm），或者让Seaborn自动计算数据的极值范围。
• 数据全相同：先检查数据是否真的有差异，比如用df.nunique()查看每个特征的唯一值数量，确认不是所有数值都一致。

二、添加顶部分组标记的思路 #

要在热图顶部添加对应颜色的分组块，核心是利用Matplotlib的辅助坐标轴绘制矩形色块，确保色块和样本位置严格对齐：

1. 创建一个和热图共享X轴的顶部辅助坐标轴；
2. 根据分组数量计算每个色块的宽度（每个样本对应X轴上的1个单位）；
3. 在辅助轴上绘制对应颜色的矩形，覆盖对应样本的X轴范围；
4. 隐藏辅助轴的刻度和边框，只保留色块。

三、完整代码示例 #

假设你的数据是Pandas DataFrame（index为特征名，columns为样本名，和原顺序一致），下面是可直接运行的代码：

import seaborn as sns
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

# ---------------------- 替换成你的真实数据 ----------------------
# 模拟有差异的示例数据（10个特征，20个样本）
np.random.seed(42)
data = np.random.normal(loc=50, scale=15, size=(10, 20))
df = pd.DataFrame(
    data,
    index=[f'Feature_{i+1}' for i in range(10)],
    columns=[f'Sample_{i+1}' for i in range(20)]
)

# ---------------------- 步骤1：处理数据，解决单一颜色问题 ----------------------
# 对数据做MinMax归一化，把数值映射到0-1范围，放大差异
scaler = MinMaxScaler()
# 注意：按特征归一化，转置后再转置回来，保持样本顺序不变
scaled_data = scaler.fit_transform(df.T).T
scaled_df = pd.DataFrame(scaled_data, index=df.index, columns=df.columns)

# ---------------------- 步骤2：绘制基础热图 ----------------------
fig, ax = plt.subplots(figsize=(12, 6))
# 使用viridis色板，自动计算数据极值，确保色彩区分度
heatmap = sns.heatmap(
    scaled_df,
    ax=ax,
    cmap='viridis',
    cbar=True,
    xticklabels=True,
    yticklabels=True
)

# ---------------------- 步骤3：添加顶部分组标记 ----------------------
# 创建顶部共享X轴的辅助坐标轴
ax_top = ax.twiny()
ax_top.set_xlim(ax.get_xlim())  # 和热图X轴范围完全对齐
ax_top.set_ylim(0, 1)  # 限制Y轴范围，只显示色块区域

# 定义分组规则：(样本数量, 颜色)
group_config = [
    (5, '#ff4444'),   # 前5个样本：红色
    (7, '#aa66cc'),   # 接下来7个样本：紫色
    (len(df.columns) - 5 -7, '#44dd44')  # 剩余样本：绿色
]

current_x_pos = 0
for sample_count, color in group_config:
    # 绘制矩形色块：左下角坐标(current_x_pos, 0)，宽度为样本数，高度为1
    rect = Rectangle((current_x_pos, 0), sample_count, 1, color=color, alpha=0.5)
    ax_top.add_patch(rect)
    current_x_pos += sample_count

# 隐藏辅助轴的刻度和边框，只保留色块
ax_top.set_xticks([])
ax_top.set_yticks([])
ax_top.spines[['top', 'right', 'left', 'bottom']].set_visible(False)

# 调整布局，避免样本名和色块重叠
plt.tight_layout()
plt.show()

关键细节说明 #

• 如果你的数据是样本在行，特征在列，只需要把scaled_df换成scaled_df.T即可，确保热图的X轴是样本；
• alpha=0.5是为了让色块半透明，不遮挡下方的样本名称；
• 颜色可以换成你喜欢的十六进制码或Matplotlib支持的颜色名称；
• 如果不需要归一化（数据本身差异足够大），直接用原始df绘制热图即可。

内容的提问来源于stack exchange，提问作者nik