2

问题陈述

我试图用来plotly.graph_objects.Heatmap显示 (x, y, z) 值的数据集，其中 x 和 y 不在固定的矩形网格上。x 值在单个网格上等距分布，并且在每个 x 值处都有一个等距 y 网格。从一个 x 值到下一个 x 值，y 网格是任意不同的（开始、停止、数量，都可能不同）。所需的行为是一组以每个数据点为中心的连续矩形，其宽度由图上 x 的间距和每列中 y 的间距确定。

matplotlib这是's 的样子imshow：

期望的输出

的行为Heatmap可以很容易地使用每个单元格的中心指定这种类型的绘图，但我错过了如何控制列的宽度。而不是我想要的宽度，所有的宽度都是 1。

问题输出

第二个问题是我尝试这样做的方式（见下文）相当缓慢。

我试过的

为了制作上面的第二个图，我正在循环 x 值。对于每个值，我构建了一个重复 x 的数组，以匹配该列的 y 和 z 数组的长度，add_trace这就是我的数字。这对我的情况来说是一种方便的构造，因为它确保 y 网格的间距适合每一列。但由于每条迹线中的参数都有一个重复值x，因此宽度设置为 1。正如我上面所说，这也很慢。

我查看了 https://plot.ly/python/heatmaps 上的示例并阅读了https://plot.ly/python/reference/#heatmap上的文档。

我试图理解 x 值的替代x0和dx构造，但是关于这方面的文档对我来说并不清楚，经过一些实验后，我继续前进。

我还尝试使用该xgap参数来缩小单元格宽度的外观，但由于这是以像素为单位的，它会破坏绘图的缩放行为。它也不会改变悬停工具所尊重的区域，这会破坏悬停行为。

最后，我还尝试构建一个包含pandas.DataFrame所有 (x, y, z) 值以及我想要的悬停文本的单个。这更快，但看起来它试图使 y 轴与图中所有不同的 y 网格相称，从而导致看起来稀疏的非常细长的矩形数组。

最小的例子

理想情况下，我想找到一种快速且外观自然的方法来生成以下内容，其中 x 边界恰好落在 -0.25、0.25 和 0.75 处。

最小的例子

fig = go.Figure(
    layout={
        "xaxis": {"range": (-0.25, 0.75),
        "tickvals": [-0.25, 0.25, 0.75]
    }
)
fig.add_trace(
    go.Heatmap(
        x=[0, 0, 0],
        y=[2, 4, 6],
        z=[-1, 1, 0],
        name="Name A",
    )
)
fig.add_trace(
    go.Heatmap(
        x=[0.5, 0.5, 0.5],
        y=[6.1, 6.4, 6.7],
        z=[-1, 1, 2],
        name="Name B",
    )
)
fig.show()

有什么我可以轻松（或不那么容易）添加到上述结构中以将单元格宽度设置为 0.5 的东西吗？如果没有，我应该使用完全不同的结构吗？

4

1 回答 1

1

好的，我们开始，您可以使用现有的x0和dx参数如下，并注意以下几点：

  1. z不再是[a,b,c]，而是[[a],[b],[c]]因为x0/dx只能z作为二维数组使用。
  2. 每条迹线都使用coloraxis="coloraxis1"，以便它们共享一个颜色空间和颜色条。您可以在layout.coloraxis1.

代码：

import plotly.graph_objects as go

fig = go.Figure()

fig.add_trace(
    go.Heatmap(
        x0=0,dx=0.5,
        y=[2, 4, 6],
        z=[[-1], [1], [0]],
        name="Name A",
        coloraxis="coloraxis1"
    )
)
fig.add_trace(
    go.Heatmap(
        x0=0.5,dx=0.5,
        y=[6.1, 6.4, 6.7],
        z=[[-1], [1], [2]],
        name="Name B",
        coloraxis="coloraxis1"
    )
)
fig.update_layout(coloraxis1=dict(
    colorscale="Plasma"
))
fig.show()

输出如下：

在此处输入图像描述

于 2019-08-12T18:22:14.870 回答