38  Matplotlib - mapa ciepła

Mapa ciepła (ang. heatmap) to dwuwymiarowa wizualizacja, w której wartości liczbowe są reprezentowane za pomocą kolorów. Intensywność koloru odpowiada natężeniu (wartości) w konkretnym punkcie siatki.

Główne zastosowania map ciepła

1. Macierze korelacji
   • Pozwalają szybko zidentyfikować silne i słabe powiązania między zmiennymi w zbiorze danych.
     
   • Ułatwiają wstępną selekcję cech np. w modelowaniu predykcyjnym.
2. Analiza czasowo-przestrzenna
   • Wizualizacja natężenia zdarzeń (np. sprzedaży, ruchu sieciowego) na osi czasu versus kategorie lub strefy.
     
   • Pomaga wykrywać wzorce sezonowe, dobowe lub tygodniowe.
3. Mapy geograficzne
   • Prezentacja gęstości zdarzeń lub wartości (np. zachorowań, wypadków) na obszarach geograficznych.
     
   • Umożliwiają szybkie wyłonienie „gorących punktów” (ang. hotspots).
4. Analiza zachowań użytkownika
   • Śledzenie kliknięć, ruchu myszki lub przewijania na stronach WWW/aplikacjach.
     
   • Optymalizacja układu elementów interfejsu pod kątem użyteczności.
5. Monitorowanie zasobów i wydajności
   • Wizualizacja obciążenia serwerów, zużycia pamięci czy obrotów produkcji w czasie rzeczywistym.
     
   • Pomaga wyłapać anomalie lub przeciążenia.
6. Wykrywanie anomalii i odchyleń
   • Identyfikacja nietypowych odczytów np. w danych medycznych, finansowych czy sieciowych.
     
   • Szybkie wskazanie obszarów wymagających dalszej analizy.

import pandas as pd
import matplotlib.pyplot as plt

data = {
    'Dzień': ['Poniedziałek', 'Wtorek', 'Środa', 'Czwartek', 'Piątek'] * 3,
    'Pora dnia': ['Rano']*5 + ['Popołudnie']*5 + ['Wieczór']*5,
    'Liczba klientów': [50, 60, 55, 65, 80,    # Rano
                        120, 130, 125, 140, 160,  # Popołudnie
                        90, 100, 95, 110, 120]    # Wieczór
}

df = pd.DataFrame(data)


heatmap_data = df.pivot(index='Dzień', columns='Pora dnia', values='Liczba klientów')

plt.imshow(heatmap_data,
           cmap='YlOrRd',      # paleta od żółtego (nisko) do czerwonego (wysoko)
           aspect='auto')      # automatyczne dopasowanie proporcji

cbar = plt.colorbar()
cbar.set_label('Liczba klientów', rotation=270, labelpad=15)

plt.xticks(ticks=range(len(heatmap_data.columns)),
           labels=heatmap_data.columns,
           rotation=45,
           ha='right')
plt.yticks(ticks=range(len(heatmap_data.index)),
           labels=heatmap_data.index)

plt.xlabel('Pora dnia')
plt.ylabel('Dzień tygodnia')
plt.title('Średnia liczba klientów w sklepie')

plt.tight_layout()
plt.show()

import pandas as pd
import matplotlib.pyplot as plt

data = {
    'Dzień': ['Poniedziałek', 'Wtorek', 'Środa', 'Czwartek', 'Piątek'] * 3,
    'Pora dnia': ['Rano']*5 + ['Popołudnie']*5 + ['Wieczór']*5,
    'Liczba klientów': [50, 60, 55, 65, 80,    # Rano
                        120, 130, 125, 140, 160,  # Popołudnie
                        90, 100, 95, 110, 120]    # Wieczór
}

df = pd.DataFrame(data)

heatmap_data = df.pivot(index='Dzień', columns='Pora dnia', values='Liczba klientów')

fig, ax = plt.subplots()

im = ax.imshow(
    heatmap_data,
    cmap='YlOrRd',      # paleta od żółtego (nisko) do czerwonego (wysoko)
    aspect='auto'       # automatyczne dopasowanie proporcji
)

cbar = fig.colorbar(im, ax=ax)
cbar.set_label('Liczba klientów', rotation=270, labelpad=15)

ax.set_xticks(range(len(heatmap_data.columns)))
ax.set_xticklabels(heatmap_data.columns, rotation=45, ha='right')
ax.set_yticks(range(len(heatmap_data.index)))
ax.set_yticklabels(heatmap_data.index)

ax.set_xlabel('Pora dnia')
ax.set_ylabel('Dzień tygodnia')
ax.set_title('Średnia liczba klientów w sklepie')

fig.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Dane przykładowe
data = np.array([
    [23, 45, 12, 34, 56],
    [33, 54, 22, 43, 66],
    [12, 34, 15, 28, 39],
    [44, 55, 31, 47, 62]
])

# Etykiety osi
days = ['Poniedziałek', 'Wtorek', 'Środa', 'Czwartek']
hours = ['9–11', '11–13', '13–15', '15–17', '17–19']

# Tworzenie mapy ciepła
plt.figure(figsize=(8, 6))
cax = plt.imshow(data, cmap='Greens')

# Etykiety osi
plt.xticks(ticks=np.arange(len(hours)), labels=hours, rotation=45, ha='right')
plt.yticks(ticks=np.arange(len(days)), labels=days)

# Dodanie wartości liczbowych
for i in range(data.shape[0]):
    for j in range(data.shape[1]):
        plt.text(j, i, str(data[i, j]), ha='center', va='center', color='black')

# Pasek kolorów
plt.colorbar(cax, orientation='vertical', label='Liczba klientów')

# Tytuł i układ
plt.title('Liczba klientów w sklepie wg dnia i godziny')
plt.tight_layout()

# Wyświetlenie wykresu
plt.show()

import matplotlib.pyplot as plt
import numpy as np

data = np.array([
    [23, 45, 12, 34, 56],
    [33, 54, 22, 43, 66],
    [12, 34, 15, 28, 39],
    [44, 55, 31, 47, 62]
])

days = ['Poniedziałek', 'Wtorek', 'Środa', 'Czwartek']
hours = ['9–11', '11–13', '13–15', '15–17', '17–19']

fig, ax = plt.subplots(figsize=(8, 6))
cax = ax.imshow(data, cmap='Greens')

ax.set_xticks(np.arange(len(hours)))
ax.set_xticklabels(hours, rotation=45, ha='right')
ax.set_yticks(np.arange(len(days)))
ax.set_yticklabels(days)

for i in range(data.shape[0]):
    for j in range(data.shape[1]):
        ax.text(j, i, str(data[i, j]), ha='center', va='center', color='black')

fig.colorbar(cax, ax=ax, orientation='vertical', label='Liczba klientów')

ax.set_title('Liczba klientów w sklepie wg dnia i godziny')
fig.tight_layout()

plt.show()