热力图仅支持二维输入，高维数据需先降维或聚合为有意义的二维关系；常见错误包括传入三维数组、未归一化导致色阶失真、标签重叠等，应根据分析目标选择相关性矩阵、透视表等方式构造输入。
热力图默认只支持二维，高维数据必须先降维或聚合
Seaborn 的 sns.heatmap() 本质是画一个二维矩阵（DataFrame 或 2D array），它不接受三维及以上输入。所谓“高维数据的多变量热力图”，实际是指：从原始高维数据（比如带时间、类别、指标的宽表）中，提取出一个有意义的二维交叉关系——比如“变量A vs 变量B 的相关系数”“分组后各指标均值”“某条件下的频次统计”。直接传入 pd.DataFrame 但列数/行数过多，只会得到密密麻麻无法解读的图，这不是“支持高维”，而是误用。
常见错误现象：ValueError: Expected 2D array, got 3D array instead（传了 shape 为 (n, m, k) 的 numpy 数组）、或热力图颜色全白/全黑（数值未归一化且量纲差异大）、或坐标轴标签重叠看不清（变量名太多没筛选）。
- 先明确你要回答的问题：是看变量间线性关系？还是某分类下多个指标的分布？还是时序切片间的相似度？不同目标对应不同聚合路径
- 若原始数据含非数值列（如字符串 ID、日期），必须先处理：日期转为周期特征或丢弃，类别列需编码或用于分组，不能直接塞进
heatmap() - 变量超过 15–20 个时，
sns.heatmap()默认渲染会卡顿且不可读，建议先用df.corr().abs().unstack().sort_values(ascending=False)拿 top-N 相关对，再构造子矩阵
用 corr() + mask 处理变量相关性热力图最稳妥
这是最典型的“多变量”场景：N 个数值变量两两计算皮尔逊相关系数，生成 N×N 矩阵。关键不是画图本身，而是让结果可解释。
实操要点：
- 用
df.select_dtypes(include='number')过滤掉非数值列，避免corr()报错或静默跳过 - 加
mask = np.triu(np.ones_like(corr_matrix, dtype=bool))
- 传给
sns.heatmap() 的mask参数，能隐藏上三角（避免重复），比手动切片更鲁棒 - 设置
annot=True, fmt='.2f'显示数值，但若变量数 >12，建议关掉annot，改用cbar_kws={'shrink': 0.8}缩小色条防遮挡 - 字体大小要调：
sns.heatmap(..., xticklabels=10, yticklabels=10)控制标签密度，或直接plt.xticks(rotation=30)
示例片段：
import seaborn as sns import numpy as np corr = df.select_dtypes(include='number').corr() mask = np.triu(np.ones_like(corr, dtype=bool)) sns.heatmap(corr, mask=mask, cmap='coolwarm', center=0, square=True, linewidths=0.5)
用 pivot_table 构造分组-指标热力图，比 groupby 更直观
当你想看“不同城市 × 不同季度”的销售额、用户数、退货率三指标对比，这不是相关性，而是分面聚合。此时 pd.pivot_table() 是最自然的构造方式，它直接产出二维结构，sns.heatmap() 零适配。
关键参数选择：
-
index填行维度（如 'city'），columns填列维度（如 'quarter'），values填要聚合的字段（如 'sales'），aggfunc选np.mean或'count' - 若要同时展示多个指标，别用
values=['sales','users']—— 这会返回 MultiIndex 列，sns.heatmap()不认；应分别生成三个热力图，或先melt再pivot构造“指标名”为列的新表 - 空值处理：默认
fill_value=0会掩盖真实缺失，建议保留NaN，再用mask=df.isna()在热力图中标灰，比填 0 更诚实
colorbar 范围和归一化常被忽略，导致比较失真
当多个热力图并排展示（比如训练集/测试集相关性对比），如果各自用默认 vmin/vmax，色阶不一致，视觉上就失去可比性。同样，指标单位差异大（如收入万元 vs 用户数百万），不归一化会导致小数值全挤在色条一端。
- 统一色阶：计算全局
vmin = min(corr_train.min().min(), corr_test.min().min())，同理算vmax，两个图都显式传入 - 跨量纲指标：别对原始值直接画图。用
sklearn.preprocessing.MinMaxScaler().fit_transform()或按行/列做 z-score（df.sub(df.mean(axis=1), axis=0).div(df.std(axis=1), axis=0)） - 离散型热力图（如频次、等级）慎用连续 colormap。改用
cmap='viridis_r'或自定义ListedColormap，并设robust=True避免异常值拉伸色条
真正难的不是调参，是决定“这个热力图到底要回答什么问题”——变量太多时，强行堆砌不如聚焦三组关键关系。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
