基于线的热图或二维线直方图

我有一个合成数据集，其中包含 1000 个不同阶的噪声多边形和 sin/cos 曲线，我可以使用 python seaborn 将其绘制为线条。

由于我有很多重叠的线，我想绘制某种线图的热图或直方图。 我尝试过迭代列并聚合计数以使用 seaborn 的热图，但是对于很多行，这需要相当长的时间。

产生我想要的结果的下一个最好的东西是六边形图（带有seaborn jointgraph）。

但这是运行时间和粒度之间的折衷（所示图表的网格大小为 750）。我找不到任何其他图表类型来解决我的问题。但我也不知道它到底应该叫什么。

我也尝试过将线条 alpha 设置为 0.2。这会产生与我想要的类似的图表。但它不太精确（如果超过 5 条线在同一点重叠，我的透明度就已经为零）。此外，它还缺少热图的典型颜色。

（模拟搜索术语为：热图、二维线直方图、线直方图、密度图...）

有谁知道绘制此图的软件包更高效、更高质量或者知道如何使用流行的 python 绘图仪（即 matplotlib 系列：matplotlib、seaborn、bokeh）来完成此操作。不过我对任何包裹都很好。

我花了一段时间，但我终于使用解决了这个问题数据着色器 http://datashader.org/。如果使用笔记本，这些图可以嵌入到交互式中Bokeh http://bokeh.pydata.org/情节，看起来真的很不错。

无论如何，这里是静态图像的代码，以防其他人需要类似的东西：

# coding: utf-8
import time

import numpy as np
from numpy.polynomial import polynomial
import pandas as pd

import matplotlib.pyplot as plt
import datashader as ds
import datashader.transfer_functions as tf


plt.style.use("seaborn-whitegrid")

def create_data():
    # ...

# Each column is one data sample
df = create_data()

# Following will append a nan-row and reshape the dataframe into two columns, with each sample stacked on top of each other
#   THIS IS CRUCIAL TO OPTIMIZE SPEED: https://github.com/bokeh/datashader/issues/286

# Append row with nan-values
df = df.append(pd.DataFrame([np.array([np.nan] * len(df.columns))], columns=df.columns, index=[np.nan]))

# Reshape
x, y = df.shape
arr = df.as_matrix().reshape((x * y, 1), order='F')
df_reshaped = pd.DataFrame(arr, columns=list('y'), index=np.tile(df.index.values, y))
df_reshaped = df_reshaped.reset_index()
df_reshaped.columns.values[0] = 'x'

# Plotting parameters
x_range = (min(df.index.values), max(df.index.values))
y_range = (df.min().min(), df.max().max())
w = 1000
h = 750
dpi = 150
cvs = ds.Canvas(x_range=x_range, y_range=y_range, plot_height=h, plot_width=w)

# Aggregate data
t0 = time.time()
aggs = cvs.line(df_reshaped, 'x', 'y', ds.count())
print("Time to aggregate line data: {}".format(time.time()-t0))

# One colored plot
t1 = time.time()
stacked_img = tf.Image(tf.shade(aggs, cmap=["darkblue", "darkblue"]))
print("Time to create stacked image: {}".format(time.time() - t1))

# Save
f0 = plt.figure(figsize=(w / dpi, h / dpi), dpi=dpi)
ax0 = f0.add_subplot(111)
ax0.imshow(stacked_img.to_pil())
ax0.grid(False)
f0.savefig("stacked.png", bbox_inches="tight", dpi=dpi)

# Heat map - This uses a equalized histogram (built-in default), there are other options, though.
t2 = time.time()
heatmap_img = tf.Image(tf.shade(aggs, cmap=plt.cm.Spectral_r))
print("Time to create stacked image: {}".format(time.time() - t2))

# Save
f1 = plt.figure(figsize=(w / dpi, h / dpi), dpi=dpi)
ax1 = f1.add_subplot(111)
ax1.imshow(heatmap_img.to_pil())
ax1.grid(False)
f1.savefig("heatmap.png", bbox_inches="tight", dpi=dpi)

运行时间如下（以秒为单位）：

Time to aggregate line data: 0.7710442543029785
Time to create stacked image: 0.06000351905822754
Time to create stacked image: 0.05600309371948242

The resulting plots: