科研绘图（八）线性热图

本文介绍: 线性热图（Linear Heat Map）是一种数据可视化技术，用于展示数值在一维线性空间上的分布情况。它通常用于展示沿着一条线（例如时间线或任何一维序列）的数据密度或强度变化。线性热图与传统的二维热图不同，后者通常展示在二维平面上的数据分布。在线性热图中，线条的颜色或强度通常表示数据的强度或密度，颜色的变化可以揭示数据的模式或趋势。例如，在时间序列分析中，线性热图可以用来显示某个指标随时间的变化情况。

线性热图（Linear Heat Map）是一种数据可视化技术，用于展示数值在一维线性空间上的分布情况。它通常用于展示沿着一条线（例如时间线或任何一维序列）的数据密度或强度变化。线性热图与传统的二维热图不同，后者通常展示在二维平面上的数据分布。在线性热图中，线条的颜色或强度通常表示数据的强度或密度，颜色的变化可以揭示数据的模式或趋势。例如，在时间序列分析中，线性热图可以用来显示某个指标随时间的变化情况。

1. 清晰展示趋势和模式：线性热图能有效地展现数据随时间或其他一维序列变化的趋势和模式。

2. 高效的空间利用：由于其一维性质，线性热图在显示长时间序列或大量数据点时可以节省空间。

3. 直观的颜色编码：通过颜色的变化，用户可以快速理解数据强度或密度的变化。

4. 易于集成：线性热图易于嵌入到表格、图表或地图中，作为辅助的视觉元素。

1. 数据维度有限：线性热图只能有效地展示一维数据，对于多维数据的展现能力有限。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
np.random.seed(0)
data1 = np.random.rand(100)
data2 = np.random.rand(100) * 0.5
data3 = np.abs(np.cos(np.linspace(0, 3.14, 100)))  # 确保数据在0-1之间
times = np.linspace(0, 1, 100)

# 创建图表
fig, axs = plt.subplots(3, 1, figsize=(10, 6), sharex=True)

# 第一组数据
axs[0].scatter(times, [1] * 100, c=data1, cmap='hot', s=100)
axs[0].set_title('Data Set 1')
axs[0].set_yticks([])

# 第二组数据
axs[1].scatter(times, [1] * 100, c=data2, cmap='hot', s=100)
axs[1].set_title('Data Set 2')
axs[1].set_yticks([])

# 第三组数据
axs[2].scatter(times, [1] * 100, c=data3, cmap='hot', s=100)
axs[2].set_title('Data Set 3')
axs[2].set_yticks([])

plt.xlabel('Time')
plt.tight_layout()
plt.show()

% 初始化数据
rng(0); % 设定随机数生成器的种子
data1 = rand(1, 100);
data2 = 0.5 * rand(1, 100);
data3 = abs(cos(linspace(0, 3.14, 100)));
times = linspace(0, 1, 100);

% 创建图表
figure;

% 第一组数据
subplot(3, 1, 1);
scatter(times, ones(1, 100), 100, data1, 'filled');
title('Data Set 1');
yticks([]);

% 第二组数据
subplot(3, 1, 2);
scatter(times, ones(1, 100), 100, data2, 'filled');
title('Data Set 2');
yticks([]);

% 第三组数据
subplot(3, 1, 3);
scatter(times, ones(1, 100), 100, data3, 'filled');
title('Data Set 3');
yticks([]);

% 设置共享的x轴标签
xlabel('Time');
colormap('hot'); % 设定颜色映射