1. 数据标准化

将原始数据值映射到[0,1]区间：

normalized_value = (value - min) / (max - min)

2. 颜色映射

将标准化后的值映射到颜色渐变条：

import numpy as np
import matplotlib.pyplot as plt

# 创建示例数据（6x6矩阵）
data = np.random.rand(6, 6)

# 创建热力图
plt.figure(figsize=(8, 6))
plt.imshow(data, cmap='viridis')

# 添加颜色条
plt.colorbar()

# 添加标题和标签
plt.title("随机数据热力图示例")
plt.xlabel("X轴")
plt.ylabel("Y轴")

# 显示图形
plt.show()
                

import seaborn as sns
import numpy as np

# 创建相关性矩阵数据
data = np.random.randn(10, 12)
corr_matrix = np.corrcoef(data)

# 创建热力图
plt.figure(figsize=(10, 8))
sns.heatmap(
    corr_matrix,
    annot=True,       # 在单元格中显示数值
    fmt=".2f",        # 数值格式
    cmap="coolwarm",  # 颜色映射
    linewidths=.5,    # 单元格间线宽
    vmin=-1, vmax=1   # 颜色条范围
)

# 添加标题
plt.title("相关性矩阵热力图")

# 显示图形
plt.show()
                

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

def create_heatmap(data, cmap_name='custom', colors=None):
    """
    创建自定义热力图
    
    参数:
    data -- 二维数据数组
    cmap_name -- 颜色映射名称
    colors -- 自定义颜色列表，例如: ['blue', 'white', 'red']
    """
    # 如果没有提供颜色，使用默认值
    if colors is None:
        colors = ['#2c3e50', '#3498db', '#1abc9c', '#f1c40f', '#e74c3c']
    
    # 创建自定义颜色映射
    cmap = LinearSegmentedColormap.from_list(cmap_name, colors)
    
    # 创建图像
    fig, ax = plt.subplots(figsize=(8, 6))
    im = ax.imshow(data, cmap=cmap)
    
    # 添加颜色条
    fig.colorbar(im, ax=ax)
    
    # 设置标题
    plt.title("自定义热力图")
    
    return fig, ax

# 示例用法
data = np.random.rand(8, 8)
create_heatmap(data, colors=['#2c3e50', '#3498db', '#1abc9c'])
plt.show()