企业官网建设流程全解析

第一次真正意识到热力图的价值，是在处理一份几十列的业务报表的时候。表格里密密麻麻全是数字，我盯着相关性系数来回看，眼睛都快失焦了，还是说不清哪些变量之间有关联。后来用 seaborn.heatmap 把相关性矩阵画成一张图，冷色暖色铺开，哪几个指标扎堆抱团、哪几个各自为政，一眼就看明白了。那种"原来数据还能这么读"的感觉，一直留到现在。

这篇文章适合所有刚接触 Python 数据分析的人，也适合那些已经会用 pandas 和 matplotlib、但一直没认真研究过热力图细节的人。我会从最基础的环境准备一路讲到参数调优、数据预处理、实际案例和常见报错排查，尽量把每个步骤背后的道理也说清楚。目标是让看完的人能直接动手画出一张专业级热力图，并且知道出了问题该往哪个方向排查。

1. 什么样的问题适合用热力图来回答

1.1 热力图解决的核心痛点：把数字表变成图像

人眼对数字的敏感度其实很低，但对颜色的敏感度非常高。一张 10×10 的表格摆在面前，正常人很难在几秒内看出"第三行和第七行高度相关"这种结论，但换成一张颜色从浅到深铺开的图，大脑会瞬间完成模式识别。

热力图做的事情说白了就一句话：把矩阵里的数值映射成颜色矩形，用颜色的深浅、冷暖来表达数值的相对大小。seaborn.heatmap 是这个思路的标准实现，它接收一个二维数组或 DataFrame，然后逐格着色，自动配上坐标轴标签和颜色条。

我遇到过不少同学以为热力图是一种"特殊图表"，只能用在特定场景。实际上它就是可视化矩阵数据的最通用手段，只要你的数据能整理成一个矩形表，并且颜色深浅能表达某种含义，就可以考虑用它。

1.2 四种最常见的应用场景

根据我这几年实际使用的经验，热力图的高频场景基本集中在四类：

第一类是相关性矩阵分析。这是最常见的用法。对 DataFrame 调用 .corr() 得到一个相关系数矩阵，然后用热力图画出来，变量之间的正相关、负相关、无相关会非常直观。

第二类是混淆矩阵可视化。做分类模型时，把真实标签和预测标签的交叉计数表画成热力图，对角线是否足够亮、非对角线是否有明显亮块，模型在哪些类别上容易混淆，一眼就清楚。

第三类是频次与交叉计数表。比如用户的年龄段和购买品类两个维度交叉计数，或者某个事件在时间段和星期几两个维度上的发生频次，都适合用热力图展现分布密度。

第四类是时间序列的网格化。把一段时间的数据重排成"星期几 × 第几周"或者"小时 × 日期"的矩阵，用热力图观察周期性规律，比折线图更擅长呈现整体节奏和异常点。

1.3 一句话判断你的数据适不适合画热力图

判断方法很简单：第一，数据能不能整理成二维矩阵？行和列都有明确的类别或刻度？第二，每个格子里的数值是否具有可比性？第三，你想从图中获得的是"哪块高、哪块低、哪里聚集、哪里孤立"这类整体感知？如果三个答案都是"是"，那就放心用热力图。

反过来，如果你的数据只有一个维度、本质上是趋势变化，那折线图仍然更合适。热力图擅长的是整体格局，而不是精确数值的读取。这里要和后面的 annot 参数区分开：热力图也可以把数字直接标在格子里，但它的核心表达手段仍然是颜色，数字只是辅助。

2. 环境准备与第一个热力图：从零跑通最小示例

2.1 环境安装与版本问题

seaborn 是建立在 matplotlib 之上的高级绘图库，安装前需要确认 Python 环境里已经有 matplotlib 和 pandas。直接用 pip 安装即可：

pip install seaborn matplotlib pandas numpy

有几个版本相关的坑值得提前说。seaborn 从 0.11 版本开始 API 趋于稳定，0.12 之后新增了一些功能，但 heatmap 函数的核心参数几乎没有变化。我建议至少用 0.12 以上的版本，老版本在某些 Python 3.10+ 环境下会有兼容问题。matplotlib 版本最好也保持较新，因为 seaborn 会依赖它的若干内部行为，版本差太多容易出现颜色条样式异常之类的怪问题。

可以用一行命令确认版本：

import seaborn as sns print(sns.__version__)

实测下来 0.12.2 搭配 matplotlib 3.7 以上的组合非常稳定，如果你用的是 Anaconda 发行版，一般开箱即用，不太需要额外折腾。

2.2 六行代码画出第一张热力图

为了先建立直观感受，我用一个随机数据矩阵跑通最小示例。数据本身没有任何业务含义，只是让流程先跑起来。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 生成一个 10 行 12 列的随机数矩阵 data = np.random.rand(10, 12) # 转成 DataFrame，加上行列标签 df = pd.DataFrame( data, index=[f"样本{i}" for i in range(10)], columns=[f"指标{j}" for j in range(12)] ) sns.heatmap(df) plt.show()

这段代码里最关键的是：data 必须是二维结构。很多第一次使用的人会传一维数组进去，然后收到一条"期望二维数组"的报错提示，这个在后面问题排查章节会展开说。

运行之后，你会在绘图窗口看到一张默认配色的热力图，整体呈蓝紫色渐变，每个格子的颜色深浅对应数值大小。颜色条自动显示在右侧，行列标签也自动从 DataFrame 的 index 和 columns 读取。不需要额外设置任何东西，seaborn 已经帮你完成了大部分排版工作。

2.3 看懂热力图的每个组成部分

拿到这张基础图之后，先花几秒钟认识一下它的结构，对后续调参非常有利。

最核心的主体部分是一格格的小矩形，颜色由数值决定，这是整张图的信息载体。右侧竖条是颜色条，它建立了"数值大小"和"颜色深浅"之间的对应关系，相当于图例。x 轴和 y 轴上的刻度标签来自 DataFrame 的 columns 和 index，这个细节很重要：如果你在绘图前没有给数据设置行列索引，图像上只会出现数字序号，可读性会差很多。

单元格之间的间距默认是 0 像素，也就是说格子与格子是紧贴的。如果数据量不大、希望边界更清晰，可以通过 linewidths 参数给格子加上间距，这个后面细说。

理解这张图还有一层关键逻辑：颜色映射是一个连续的数值函数，默认情况下，数据里的最小值会落在一端，最大值落在另一端，中间值按比例插值。所以同一张热力图里到底什么颜色代表"高"，完全取决于你当前数据的数值分布。这一点在比较不同图的时候会很重要，后面讲 vmin 和 vmax 时我会展开。

3. 核心参数逐个拆解：从会用到底层逻辑

3.1 annot 与 fmt：把数字显性化

热力图的表达手段是颜色，但颜色并不能精确传达数值。在需要精确读取的场景里，可以用 annot=True 让每个格子直接显示数值：

sns.heatmap(df, annot=True)

此时格子里会出现数字，但是默认的格式可能是科学计数法，也可能小数位过多。fmt 参数就是用来控制数字格式的，它本质上是 Python 的格式化字符串，和 f-string 的格式规范一致：

sns.heatmap(df, annot=True, fmt=".2f") # 保留两位小数 sns.heatmap(df, annot=True, fmt=".0f") # 取整 sns.heatmap(df, annot=True, fmt="d") # 整数格式

最常用的组合是相关性矩阵配 fmt=".2f"，因为相关系数保留两位小数足够说明问题；混淆矩阵或频次表配 fmt="d" 或 fmt=".0f"，因为计数必须是整数。

这里有一个非常隐蔽的坑：如果数据是无量纲的百分比或比率，fmt=".1%" 也是合法的，可以把数值直接显示成百分比形式。但 fmt=".1%" 只对 0 到 1 之间的比例有效，如果你传的是 45 而不是 0.45，屏幕上会出现 4500.0% 这种离谱结果。动手前先确认数据的量纲。

annot 还有一个不那么起眼的参数是 annot_kws，可以用字典控制数字的字体样式，比如 annot_kws={"size": 12, "weight": "bold"}。小矩阵可以适当调大字号，大矩阵尽量用小字号或者干脆关掉 annot，避免数字挤成一团。

3.2 cmap 与颜色映射的语义逻辑

cmap 是热力图里最能影响观感的参数，它决定数值到颜色的映射函数。seaborn 支持所有 matplotlib colormap，常见选择有：viridis、coolwarm、RdBu、YlGnBu、Blues、magma 等。

选色有一条核心原则：颜色要符合数据的语义。如果数据是从低到高的正向指标，比如销售额、点击量，推荐使用 YlGnBu、Blues 这类"低色饱和、高色更亮"的顺序色图；如果数据有明确的中点，比如相关系数介于 -1 和 1 之间、差值为正负偏离，推荐使用 coolwarm 或 RdBu 这类发散色图，中间值对应白色，两侧分别对应冷色和暖色。

我个人最常推荐的是 coolwarm，它在中性值处呈现浅灰白，两个极端分别是深蓝和深红，色彩层次既明显又不容易造成视觉疲劳。

sns.heatmap(df, cmap="coolwarm")

顺便提一个看起来方便但实际效果一般的选项：cmap="jet"。jet 虽然颜色跨度大，但它在颜色过渡中存在视觉上的伪边界，可能让人误以为数据有明显的分档。做严肃的数据分析时我基本不用它，宁可选择 viridis 这类感知均匀的颜色映射。

3.3 vmin、vmax 与 center：控制色阶的基线

默认情况下，seaborn 会把数据的最小值和最大值作为颜色映射的两个端点。这在一个数据集内部看是没问题的，但当你需要横向比较多个热力图时，问题就暴露出来了：

假设你要比较两个区域的热力图，第一个区域数值范围是 0 到 100，第二个是 0 到 10000。如果不加控制，第二个图里数值 100 的位置和第一个图里数值 100 的位置颜色完全不同——因为在第二个图里 100 是千分之一的低值，在第一个图里 100 是最大值。这种视觉上的误导极其隐蔽，又极其致命。

解决办法是显式指定 vmin 和 vmax，强制不同图使用统一的色阶端点：

sns.heatmap(df1, vmin=0, vmax=10000, cmap="YlGnBu") sns.heatmap(df2, vmin=0, vmax=10000, cmap="YlGnBu")

还有一个更精细的参数是 center。当你设置 center=0 时，seaborn 会把 0 映射到发散色图的中间色，正负数值分别向两端延展。这在相关性矩阵里尤其好用：

sns.heatmap(corr, cmap="coolwarm", center=0)

这里解释一下 center 和 vmin/vmax 的关系：如果你同时设置了 vmin=-1、vmax=1、center=0，颜色条的端点完全由 vmin/vmax 决定，而 center 决定了中间色对应的数值位置。只设置 center、不设置 vmin/vmax 时，seaborn 会根据数据范围和中心值自动决定对称的范围。

3.4 mask：最难上手但最优雅的参数

mask 参数接受一个同形状的布尔矩阵，值为 True 的位置会留白不绘制。这是绘制三角矩阵的利器。

相关性矩阵是对称的，绘图时把上三角或者下三角遮掉，可以避免信息重复，视觉上更清爽：

import numpy as np # 生成一个只保留下三角的布尔掩码 mask = np.triu(np.ones_like(corr, dtype=bool), k=1) sns.heatmap(corr, mask=mask, cmap="coolwarm", center=0, annot=True, fmt=".2f")

这里 np.triu 生成的是上三角为 True 的掩码，配合 k=1 可以跳过对角线本身。很多第一次用的人会写成 k=0，结果对角线也被遮掉，整个矩阵只剩空白，其实 k=1 才是我们通常想要的效果。

mask 能做的事情远不止三角矩阵。你可以用它突出显眼的异常值：比如把超过某个阈值的格子位置标成 True，留白出来制造视觉焦点；也可以用 mask 遮盖数据可信度低的区域，比如样本量太少的交叉计数单元格，避免阅读者被噪声误导。mask 配合数据洞察使用，是热力图真正进阶的方向。

3.5 linewidths、linecolor 与 square：版式细节

这三个参数负责热力图的"皮肤"。

linewidths 控制单元格之间的缝隙宽度。默认是 0，格子之间密不透风；设为 0.5 到 1 之后，每个格子会被细线分隔开，辨识度明显提高。linecolor 控制这些缝隙的颜色，默认是白色。

当数据矩阵比较小、或者格子数量较少时，建议把 linewidths 调到 0.5 左右，热力图瞬间变得精致。大矩阵不建议开间距，因为成百上千条细线会让图面变得花哨，反而干扰颜色信息的传递。

square 参数让每个单元格强制为正方形，配合合适的 figsize 尺寸，可以获得非常规整的版式：

plt.figure(figsize=(8, 6)) sns.heatmap(df, annot=True, linewidths=0.5, square=True)

需要注意的是，square=True 不会自动调整画布尺寸，如果矩阵不是正方形，画布上会出现大量留白空间。建议手动设置 figsize 让整体更协调。

3.6 核心参数速查表

这张表建议收藏，实际绘图时多数需求都可以直接从里面找答案。

4. 数据预处理里那些容易翻车的细节

4.1 为什么一定要先确认数据类型

seaborn.heatmap 对输入数据的第一个要求是：它必须是数值型数据。听起来像废话，但在真实项目里踩坑率极高。

最典型的场景是用 pandas 从 CSV 或 Excel 里读数据。如果某一列原本是数字但混入了文本，或者单元格里带了单位符号，pandas 会把这列解析成 object 类型。此时 DataFrame 里数值列和 object 列并存，直接丢给 heatmap 绘制，轻则出现灰色空格，重则直接抛出类型错误。

我的处理习惯是绘图前先跑一遍：

print(df.dtypes)

一旦发现 object 类型的列，先做数据清洗。常见手段包括 replace 去掉单位符号、astype(float) 显式转换，或者用 pd.to_numeric 配合 errors="coerce" 把非法值转成 NaN。

还有一个容易忽略的类型问题：布尔值。True/False 在 Python 里其实是 int 的子类，直接画热力图会把 False 映射成 0、True 映射成 1，颜色上能区分，但语义上容易误导。建议先显式把布尔列转成 0/1 整数再绘图。

4.2 缺失值处理策略

热力图遇到 NaN 时，默认行为是留下一个未着色的空白格子，不报错。这个设计本身很稳妥，但也带来一个隐患：留白的格子到底是"数值为零"还是"数据缺失"，肉眼完全无法区分。

所以绘图之前要想清楚你的数据里有没有 NaN，以及它们在你的业务语境下意味着什么。如果是相关性矩阵，pandas 的 .corr() 默认会忽略缺失值成对计算，一般不会有 NaN；如果是手动构造的交叉表，那就完全有可能出现空单元格。

处理方案取决于业务语义：如果"没有数据"和"数值为 0"在图上不应该有区别，可以用 fillna(0) 填补；如果空缺代表"样本不足、不可信"，更好的做法是保留 NaN，让格子留白，并配合 mask 场景提醒阅读者关注可信度。千万不要无脑把所有缺失值都填成 0，那会导致整张图的计算口径失真。

4.3 数据到底要不要归一化

这是我从咨询里收到频率最高的问题之一。很多人看到热力图教程里总在提归一化，就以为画图前必须做这一步。其实完全取决于你的目标。

如果你关心的是"哪个格子数值更高"这个相对关系，并且不同行或列的量纲差异很大，那么做全局归一化（把所有值压缩到 0-1）确实能提升图的对比度。常用 min-max 归一化：

df_norm = (df - df.min().min()) / (df.max().max() - df.min().min())

如果关心的是每行内部的差异，比如比较不同样本在各项指标上的高低，那么更适合按行做标准化（z-score 或按行 min-max）。这时候要用的是 sklearn 的 StandardScaler 或者 pandas 的 .apply 按轴处理，而不是全局归一化。

这里最需要注意的一点：归一化方向一旦选错，图上显示的关系就会和你脑海里的业务逻辑对不上。我在一个项目里曾把所有列按全局归一化，结果某列数值普遍偏低，整列都是深色，业务方误以为这个指标表现很差，实际上只是量纲问题。后来改成逐列标准化，图的信息才真正准确。

确定归一化方式前，先问自己一句：这张图要给谁看？他关心的是整体格局，还是行内相对位置？

4.4 行列顺序与显示顺序

热力图默认按 DataFrame 的行列顺序从上到下、从左到右排列。如果你的数据索引本来是无序的，绘图结果也是无序的，热力图会显得凌乱，模式也不容易被发现。

相关性矩阵的显示顺序尤其明显。如果十个变量的顺序是随机的，即使其中四五个高度抱团，视觉上也会被拆散。我常用的做法是重排后再画：

# 按相关性聚类重排，或者手动排序 order = corr.mean().sort_values().index sns.heatmap(corr.loc[order, order], cmap="coolwarm", center=0)

如果数据量太大、不想手动排序，seaborn 还提供了一些聚类工具，但入门阶段不建议引入。先从简单的均值排序开始，基本可以解决大多数乱序问题。时序数据也可以按业务时间轴排列，比如周一在左、周日在右，让周期性自然显现。

5. 实际案例：三组从业务问题到热力图的分析链路

5.1 案例一：变量相关性分析，发现数据里的抱团现象

假设现在有一份模拟的电商运营数据，包含访问量、注册量、下单量、客单价、退货量、营销费用等若干列。想要快速理解这些指标之间的关系，第一件事就是计算相关性：

corr = df.corr() plt.figure(figsize=(9, 7)) sns.heatmap( corr, annot=True, fmt=".2f", cmap="coolwarm", vmin=-1, vmax=1, center=0, linewidths=0.5, square=True ) plt.title("模拟电商指标相关性矩阵") plt.tight_layout() plt.show()

这张图能吃到的信息非常密集。你能很快看出访问量、注册量、下单量三个指标之间高度正相关，颜色深红串在一起，说明它们是同一增长链条上的联动指标；客单价和退货量之间如果出现明显的负相关，说明高客单价商品退货率更低，那运营策略上就有了调整依据。

这个场景里我对 vmin、vmax、center 三个参数同时做了显式设置，目的是让色阶对整个相关性区间均匀映射，避免数据里没有极端值时颜色被压缩。

需要提醒一句：相关性不等于因果。热力图告诉你"这两个变量同涨同跌"，但背后的原因可能是第三个共同驱动因素。图是用来发现问题线索的，不是用来下结论的。

5.2 案例二：分类模型的混淆矩阵，靠对角线找错分规律

第二个案例是模型评估。假设某分类模型在四个类别上的预测结果统计成了一张 4×4 的计数矩阵，行代表真实类别，列代表预测类别：

conf = np.array([ [142, 12, 5, 3], [10, 135, 18, 4], [6, 15, 138, 9], [2, 4, 7, 151] ]) sns.heatmap( conf, annot=True, fmt="d", cmap="Blues", linewidths=0.5, cbar_kws={"label": "样本数"} )

模型效果好的标志是矩阵对角线上的数值远大于非对角线，颜色上表现为一条从左上到右下的亮色主带。非对角线区域如果出现明显亮块，就说明模型在这两个类别之间产生了系统性混淆。

比如第二行第三列的值 18 相对突出，说明真实类别 2 的样本被大量误判为类别 3，这时候就该去检查这两个类别本身的特征边界是不是有重叠，或者是不是样本量本身不平衡导致的偏差。

这里我特意推荐用了 Blues 而不是 coolwarm，因为混淆矩阵语义上是"正确程度从低到高"的单向指标，顺序色图比发散色图更贴合业务解释，也更不容易让阅读者误以为矩阵存有正负两个方向的含义。

5.3 案例三：时间网格热力图，把周期性摊开在眼前

第三个案例是观察周期性规律。假设有一份某门店一个季度每天的营业数据，直接画折线图能看到波动，但很难回答"周几总是表现更好"或者"月初月尾是否有差异"这类问题。

把这些数据重排成"月数 × 日数"的栅格，然后用热力图呈现，规律就会非常清楚：

# 模拟数据：3 个月共 90 天 daily_values = np.random.rand(90) * 100 # 重排成 3 行 30 列的矩阵 monthly_matrix = daily_values.reshape(3, 30) sns.heatmap( monthly_matrix, cmap="YlGnBu", xticklabels=range(1, 31), yticklabels=["第1个月", "第2个月", "第3个月"], cbar_kws={"label": "日营业额"} )

这种图会把"某几天明显偏低"这种信息直接暴露出来，因为网格里会出现一片突兀的深色列，你一下子就能定位到具体日期段。比起在一堆折线里找异常点，这种方式更省力。

时间网格的变形玩法很多：可以变成"星期 × 小时"观察一天中的高峰时段周内分布，也可以变成"周数 × 星期"看全年的周度节奏。核心都是把二维时间维度铺成平面，交给热力图去呈现。

6. 常见问题与排查思路：踩过的坑帮你填平

6.1 图片全是一种颜色，或者颜色极端不分明

这只表现象背后一般有三种原因。第一，数据本身是常数，没有方差，那不管怎么映射都只能有一种颜色，问题出在数据而不是绘图；第二，数据中存在极大或极小的离群值，把整个色阶都拉偏了，普通数值全被压缩到同一端，看起来就成了一片均匀色；第三，是很多新手经常跳进去的坑——传入了对象类型数据，seaborn 虽然不报错，但生成的图形毫无区分度。

排查顺序建议是：先 df.describe() 看数值分布；再看 df.dtypes 看是否有 object 列；最后看是否需要设置 vmin/vmax 或归一化。我在一个真实案例里遇到过一组数据 99% 的值都在 10 到 20 之间、只有一个值是 1000 的情况，不设置 vmax 时整张图全是同一个色阶，一设置 vmax=20 后细节立刻显现。

6.2 行列标签重叠、显示不全

默认情况下热力图会把所有行列标签显示出来，如果列数太多，x 轴标签会互相叠到难以辨认。两个常用解法：

一是旋转标签角度：

plt.xticks(rotation=45) plt.yticks(rotation=0)

二是控制显示密度，通过 xticklabels 参数传入自定义列表，只展示你关心的刻度。比如 100 列的数据，每 10 列显示一个标签：

sns.heatmap(df, xticklabels=df.columns[::10])

很多人在 Notebook 里碰到标签重叠时第一反应是调 figsize，其实对于标签重叠问题，调整角度和控制密度通常比拉大画布更管用。直接拉大画布虽然也能缓解，但会让整张图的元素比例失衡，尤其是矩阵很大时，图会变得过宽。

6.3 颜色条（cbar）相关的几个问题

颜色条是热力图的图例，多数情况下保留是合理的，但有时候它反而占据版面空间。cbar=False 可以关掉它。

需要精细控制时用 cbar_kws。最常见的是给颜色条加标题和调整尺寸：

sns.heatmap(df, cbar_kws={"label": "数值强度", "shrink": 0.8})

shrink 参数控制颜色条高度相对于主体的比例，0.8 表示高度为主体高度的 80%。当颜色条没有被裁切、或者比例失衡时，先看 shrink。还有一个隐蔽问题：如果你在一个画布里用 plt.subplots 画了多个热力图，每个图的 cbar 会互相挤占空间，这时候要么只保留一张图的 cbar，要么把每张图独立保存。

6.4 数据量大的性能问题

当矩阵超过 200×200 时，seaborn.heatmap 的绘制速度会明显下降。原理很简单：heatmap 本质上是逐格绘制矩形对象，四万个格子就意味着四万个图形对象，渲染开销自然大。即使画面最终能出来，交互体验也很差。

这种情况下我建议放弃 heatmap 函数，改用 matplotlib 底层方法：

plt.imshow( df.values, cmap="viridis", aspect="auto", interpolation="nearest" ) plt.colorbar()

imshow 是位图渲染方式，一次性把整个矩阵画出来，性能比 heatmap 高一个量级。代价是它缺少标签自动适配、mask 等高级功能，需要手动配置。对于超大矩阵，这是一个非常常用的取舍。

如果你既要热力图的便利又要承受大数据量，可以用抽样、聚合等方式把矩阵缩小。比如上千个特征的相关性矩阵，可以先用相关性阈值过滤掉无关特征再画图，保留的信息量并不会损失太多。

7. 保存与发布：导出一张高质量热力图

7.1 保存时最常见的裁切问题

用 plt.show() 在屏幕上看到完整图之后，保存到本地却经常发现标题、坐标轴标签被裁掉一半。原因很简单：画布外部的空白没有纳入保存范围。

解决方案是保存时显式指定 bbox_inches="tight"：

plt.savefig("heatmap.png", dpi=300, bbox_inches="tight")

bbox_inches="tight" 会让 matplotlib 自动计算所有图形元素的边界，把多余空白裁掉。只要用了这个参数，绝大多数裁切问题都能瞬间解决。

7.2 清晰度、字体和矢量格式

发布到文章或报告里的图，dpi 至少要 150，印刷推荐 300。如果你的图包含很多小格子，dpi 拉高能明显提升格子边界的锐度。

另一个我强烈推荐的习惯是：需要放进正式文档的图，优先保存成 PDF 或 SVG 矢量格式，而不是 PNG。矢量图在放大后依然清晰，字体和线条不会出现锯齿。缺点是文件体积比 PNG 大，发布在网页平台时可能需要转回 PNG。

中文字体在图片里显示成方块是另一个高频问题。正确姿势是在绘图前设置 matplotlib 的中文字体：

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] # 或者你系统里的中文字体名称 plt.rcParams["axes.unicode_minus"] = False # 解决负号显示为方块的问题

不同系统里的可用字体名不一样，Windows 上常用 SimHei 或 Microsoft YaHei，macOS 上常用 PingFang SC 或 Arial Unicode MS。不确定就先执行 plt.rcParams["font.sans-serif"] 查看所有可用字体。

7.3 一些从实战里总结的排版建议

颜色条的 label 建议加上单位，比如"相关系数"、"样本数"，不然看图的人需要自行猜测语义。标题尽量点明图要回答的问题，比如"各业务指标相关性矩阵"，而不是"heatmap"这种无信息标题。

多图并列时，保证它们使用相同的 vmin、vmax 和 cmap，这是可比较性的前提。图与图的文字大小、标签风格也尽量保持一致，放在一起才不会显得拼凑。

如果你打算把热力图嵌入到网页或 PPT 中，建议先导出为 PNG 再插入，而不是直接嵌入一个需要交互的绘图窗口。静态图片才是跨平台最稳妥的载体。

关于热力图，我个人最大的体会是：这个工具入门门槛极低，但真正用好它，功夫全在绘图之外——对数据的理解、对参数语义的把握、对业务问题的解读，缺一不可。我第一次画相关性矩阵时只觉得好看，后来在一份真实数据上通过热力图发现了两个业务指标之间的意外强关联，才真正明白这个工具的价值。如果你读到这里，不妨立刻拿一份手头的数据试画一次，哪怕只是随便选两列相关性看看，也比读十遍教程更有收获。