import matplotlib.pyplot as pltimport numpy as np# 生成随机数据data = np.random.rand(10, 10)# 绘制热图fig, ax = plt.subplots()im = ax.imshow(data)# 设置刻度ax.set_xticks(np.arange(10))ax.set_yticks(np.arange(10))# 将刻度标签替换为数组值ax.set_xticklabels(np.arange(1, 11))ax.set_yticklabels(np.arange(1, 11))# 添加颜色条cbar = ax.figure.colorbar(im, ax=ax)# 设置图形标题ax.set_title("Heatmap Example")# 显示图形plt.show()

这段代码将随机生成一个10x10的数组，并将其用作热图的数据。然后，我们创建一个图形和一个轴对象，并使用Matplotlib中的imshow函数将数据绘制为一个热图。设置刻度和刻度标签以显示数据的行和列，添加一个颜色条以表示数据范围，并设置图形标题。最后，我们使用show函数显示热图。

三、imshow函数说明

3.1 函数原型

imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, url=None, hold=None, data=None, **kwargs)

3.2 函数参数表

参数名称	参数作用	备注
X	二维数组，表示要显示的图像。 X变量存储图像，可以是浮点型数组、unit8数组以及PIL图像，如果其为数组，则需满足一下形状： (1) MN 此时数组必须为浮点型，其中值为该坐标的灰度； (2) MN3 RGB（浮点型或者unit8类型） (3) MN*4 RGBA（浮点型或者unit8类型）	输入
cmap=None	颜色映射。常见的有 `'viridis'`, `'jet'`, `'gray'` 等。 hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。 cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。 gray 返回线性灰度色图。 bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。 white 全白的单色色图。 spring 包含品红和黄的阴影颜色。 summer 包含绿和黄的阴影颜色。 autumn 从红色平滑变化到橙色，然后到黄色。 winter 包含蓝和绿的阴影色。
`interpolation`	插值方式。常见的有 `'nearest'`, `'bicubic'` 等。
`aspect`	图像长宽比。
`vmin`	图像的颜色最小值。
`vmax`：	图像的颜色最大值。
alpha	透明度
origin	坐标轴原点的位置。可以设置为`upper`或`lower`。
extent	控制显示的数据范围。可以设置为`[xmin, xmax, ymin, ymax]`
shape
`origin`：	坐标轴原点的位置。可以设置为`upper`或`lower`。
`extent`	`extent`：控制显示的数据范围。可以设置为`[xmin, xmax, ymin, ymax]`。
`filternorm 和 filterrad`：	用于图像滤波的对象。可以设置为`None`、`antigrain`、`freetype`等。
`imlim`	用于指定图像显示范围。
`resample`：	用于指定图像重采样方式。
`url`	用于指定图像链接。

四、imshow使用案例

显示二维高斯分布的blob图：

import matplotlib.pyplot as pltimport numpy as npfrom scipy import stats# 资料 https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.htmlplt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsemean = [0,0]cov = [[1,1],[1,2]]x,y = np.random.multivariate_normal(mean, cov, 10000).T# 拟合数组维度data = np.vstack([x, y])kde =  stats.gaussian_kde(data)# 用一对规则的网络数据进行拟合xgrid = np.linspace(-3.5, 3.5, 200)ygrid = np.linspace(-6, 6, 200)Xgrid, Ygrid = np.meshgrid(xgrid, ygrid)Z = kde.evaluate(np.vstack([Xgrid.ravel(), Ygrid.ravel()]))# 画出结果图plt.imshow(Z.reshape(Xgrid.shape),           origin='lower',aspect='auto',           extent=[-3.5, 3.5, -6, 6],cmap='Blues')plt.xlabel('速度')plt.ylabel('位置')plt.show()

运行结果