Python绘制日历热力图方法汇总

在做时序类数据的特征分析时，日历热力图（Calendar Heatmap）是一种较为直观的数据可视化方法。本文对一些可用来绘制日历热力图的开源工具进行分析比较。

• Matplotlib
• Seaborn
• Pyecharts
• Calmap
• Calplot
• July
• Plotly

Matplotlib方法

Matplotlib是python绘图最基础的包，安装方法：

pip install matplotlib

直接使用Matplotlib生成热力图较为繁琐，主要是使用 subplot 生成多个子图再拼接在一起，可以参考的代码如下：

import datetime as dt
import matplotlib.pyplot as plt
import numpy as np

# 数据生成函数
def generate_data():
    num = 100
    data = np.random.randint(0, 20, num)
    start = dt.datetime(2015, 3, 13)
    dates = [start + dt.timedelta(days=i) for i in range(num)]
    return dates, data

# 数据封装函数
def calendar_array(dates, data):
    i, j = zip(*[d.isocalendar()[1:] for d in dates])
    i = np.array(i) - min(i)
    j = np.array(j) - 1
    ni = max(i) + 1

    calendar = np.nan * np.zeros((ni, 7))
    calendar[i, j] = data
    return i, j, calendar

# 横轴标签（星期）函数
def label_days(ax, dates, i, j, calendar):
    ni, nj = calendar.shape
    day_of_month = np.nan * np.zeros((ni, 7))
    day_of_month[i, j] = [d.day for d in dates]

    for (i, j), day in np.ndenumerate(day_of_month):
        if np.isfinite(day):
            ax.text(j, i, int(day), ha='center', va='center')

    ax.set(xticks=np.arange(7), 
           xticklabels=['M', 'T', 'W', 'R', 'F', 'S', 'S'])
    ax.xaxis.tick_top()

# 纵轴标签（月份）函数
def label_months(ax, dates, i, j, calendar):
    month_labels = np.array(['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul',
                             'Aug', 'Sep', 'Oct', 'Nov', 'Dec'])
    months = np.array([d.month for d in dates])
    uniq_months = sorted(set(months))
    yticks = [i[months == m].mean() for m in uniq_months]
    labels = [month_labels[m - 1] for m in uniq_months]
    ax.set(yticks=yticks)
    ax.set_yticklabels(labels, rotation=90)

# 传入日历数据和日期，输出日历图像
def calendar_heatmap(ax, dates, data):
    i, j, calendar = calendar_array(dates, data)
    im = ax.imshow(calendar, interpolation='none', cmap='summer')
    label_days(ax, dates, i, j, calendar)
    label_months(ax, dates, i, j, calendar)
    ax.figure.colorbar(im)


if __name__ == '__main__':
    dates, data = generate_data()
    fig, ax = plt.subplots(figsize=(6, 10))
    calendar_heatmap(ax, dates, data)
    plt.show()

生成图形如下：

另外一种生成月份独立开来的图形的方法：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.patches import Polygon

# Settings
years = [2018] # [2018, 2019, 2020]
weeks = [1, 2, 3, 4, 5, 6]
days = ['M', 'T', 'W', 'T', 'F', 'S', 'S']
month_names = ['January', 'February', 'March', 'April', 'May', 'June', 'July', 'August',
               'September', 'October', 'November', 'December']

# 数据生成函数
def generate_data():
    idx = pd.date_range('2018-01-01', periods=365, freq='D')
    return pd.Series(range(len(idx)), index=idx)

# 数据切分函数
def split_months(df, year):
    """
    Take a df, slice by year, and produce a list of months,
    where each month is a 2D array in the shape of the calendar
    :param df: dataframe or series
    :return: matrix for daily values and numerals
    """
    df = df[df.index.year == year]

    # Empty matrices
    a = np.empty((6, 7))
    a[:] = np.nan

    day_nums = {m:np.copy(a) for m in range(1,13)}  # matrix for day numbers
    day_vals = {m:np.copy(a) for m in range(1,13)}  # matrix for day values

    # Logic to shape datetimes to matrices in calendar layout
    for d in df.iteritems():  # use iterrows if you have a DataFrame

        day = d[0].day
        month = d[0].month
        col = d[0].dayofweek

        if d[0].is_month_start:
            row = 0

        day_nums[month][row, col] = day  # day number (0-31)
        day_vals[month][row, col] = d[1] # day value (the heatmap data)

        if col == 6:
            row += 1

    return day_nums, day_vals

# 绘图函数
def create_year_calendar(day_nums, day_vals):
    fig, ax = plt.subplots(3, 4, figsize=(14.85, 10.5))

    for i, axs in enumerate(ax.flat):

        axs.imshow(day_vals[i+1], cmap='viridis', vmin=1, vmax=365)  # heatmap
        axs.set_title(month_names[i])

        # Labels
        axs.set_xticks(np.arange(len(days)))
        axs.set_xticklabels(days, fontsize=10, fontweight='bold', color='#555555')
        axs.set_yticklabels([])

        # Tick marks
        axs.tick_params(axis=u'both', which=u'both', length=0)  # remove tick marks
        axs.xaxis.tick_top()

        # Modify tick locations for proper grid placement
        axs.set_xticks(np.arange(-.5, 6, 1), minor=True)
        axs.set_yticks(np.arange(-.5, 5, 1), minor=True)
        axs.grid(which='minor', color='w', linestyle='-', linewidth=2.1)

        # Despine
        for edge in ['left', 'right', 'bottom', 'top']:
            axs.spines[edge].set_color('#FFFFFF')

        # Annotate
        for w in range(len(weeks)):
            for d in range(len(days)):
                day_val = day_vals[i+1][w, d]
                day_num = day_nums[i+1][w, d]

                # Value label
                axs.text(d, w+0.3, f"{day_val:0.0f}",
                         ha="center", va="center",
                         fontsize=7, color="w", alpha=0.8)

                # If value is 0, draw a grey patch
                if day_val == 0:
                    patch_coords = ((d - 0.5, w - 0.5),
                                    (d - 0.5, w + 0.5),
                                    (d + 0.5, w + 0.5),
                                    (d + 0.5, w - 0.5))

                    square = Polygon(patch_coords, fc='#DDDDDD')
                    axs.add_artist(square)

                # If day number is a valid calendar day, add an annotation
                if not np.isnan(day_num):
                    axs.text(d+0.45, w-0.31, f"{day_num:0.0f}",
                             ha="right", va="center",
                             fontsize=6, color="#003333", alpha=0.8)  # day

                # Aesthetic background for calendar day number
                patch_coords = ((d-0.1, w-0.5),
                                (d+0.5, w-0.5),
                                (d+0.5, w+0.1))

                triangle = Polygon(patch_coords, fc='w', alpha=0.7)
                axs.add_artist(triangle)

    # Final adjustments
    fig.suptitle('Calendar', fontsize=16)
    plt.subplots_adjust(left=0.04, right=0.96, top=0.88, bottom=0.04)

    # Save to file
    plt.savefig('calendar_example.pdf')

for year in years:
    df = generate_data()
    day_nums, day_vals = split_months(df, year)
    create_year_calendar(day_nums, day_vals)
    plt.show()

生成的图形如下：

使用Matplotlib的优势是比较灵活，可自定义的地方较多，但是代码相对繁琐。

Seaborn方法

Seaborn是较为常用的Python可视化包，安装如下：

pip install seaborn

绘制日历热力图主要依赖的是seaborn.heatmap方法，相关的说明文档见：https://seaborn.pydata.org/generated/seaborn.heatmap.html

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns


X = [1,2,3,7,4,1,5,9,0,8]
Y = [1,2,3,4,5,6,7,8,9,10]
Z = [0.2, 0.33, 0.1, 0.25, 0.0, 0.9, 0.75, 0.88, 0.44, 0.95]
data = pd.DataFrame({'X': X, 'Y': Y, 'Z': Z})
data_pivoted = data.pivot("X", "Y", "Z")
ax = sns.heatmap(data_pivoted)
plt.show()

对比可见Seaborn比Matplotlib更加友好易用，但是上图还不是真正的日历热力图，需要进一步优化。

以下为随机生成两年的步数数据，然后绘制日历热力图：

import random
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt


# 随机生成三年期间的每日步数表
step_data = pd.DataFrame(columns=["Time", "Year", "Month", "Steps"])
step_data["Time"] = pd.date_range('2020-01-01', '2022-12-31')
step_data["Year"] = step_data["Time"].dt.year.astype(int)
step_data["Month"] = step_data["Time"].dt.month.astype(int)
step_data["Steps"] = pd.DataFrame([random.randint(100, 20000)] for i in range(len(step_data))).astype(int)

# 将数据修改为易展示的格式（制作透视表）
year_step_data = step_data.copy()
year_step_data = year_step_data.groupby(["Year", "Month"]).sum().reset_index().pivot(index='Year', columns='Month', values='Steps').fillna(0).astype(int)

# 使用seaborn绘图
f, ax = plt.subplots(figsize=(20, 5))
cmap = sns.color_palette("Blues")

monthly_sessions = sns.heatmap(year_step_data, 
                               annot=True, 
                               fmt="d", 
                               linewidths=5, 
                               ax=ax, 
                               cmap=cmap, 
                               square=True)

ax.axes.set_title("Steps by month and year",fontsize=20)
ax.set_xlabel("Month",fontsize=15)
ax.set_ylabel("Year",fontsize=15)
plt.show()

结果如图：

Pyecharts方法

Pyecharts 是一个由百度开源的数据可视化工具包，安装方式：

pip install pyecharts

绘制直接使用 calendar 工具：

import random
import datetime
import pyecharts.options as opts
from pyecharts.charts import Calendar


begin = datetime.date(2022, 1, 1)
end = datetime.date(2022, 12, 31)
data = [
    [str(begin + datetime.timedelta(days=i)), random.randint(1000, 25000)]
    for i in range((end - begin).days + 1)
]

(
    Calendar()
    .add(
        series_name="",
        yaxis_data=data,
        calendar_opts=opts.CalendarOpts(
            pos_top="120",
            pos_left="30",
            pos_right="30",
            range_="2022",
            yearlabel_opts=opts.CalendarYearLabelOpts(is_show=False),
        ),
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(pos_top="30", pos_left="center", title="2022年步数情况"),
        visualmap_opts=opts.VisualMapOpts(
            max_=20000, min_=500, orient="horizontal", is_piecewise=False
        ),
    )
    .render("日历热力图.html")
)

便可以生成可交互式的网页：

Calmap方法

Calmap的安装方式如下：

pip install calmap

对数据进行预处理，这里使用随机生成的数据：

import numpy as np
import pandas as pd
import calmap
import matplotlib.pyplot as plt


all_days = pd.date_range('1/15/2014', periods=700, freq='D')
days = np.random.choice(all_days, 500)
events = pd.Series(np.random.randn(len(days)), index=days)

calmap 的绘图主要有两种方法：

• yearplot：绘制一年的日历热力图；
• calendarplot：绘制所有年份的日历热力图。

使用 yearplot 方法：

import numpy as np
import pandas as pd
import calmap
import matplotlib.pyplot as plt


all_days = pd.date_range('1/15/2014', periods=700, freq='D')
days = np.random.choice(all_days, 500)
events = pd.Series(np.random.randn(len(days)), index=days)

calmap.yearplot(events, year=2015)
plt.show()

生成图形如下：

使用 calendarplot 方法：

import numpy as np
import pandas as pd
import calmap
import matplotlib.pyplot as plt


all_days = pd.date_range('1/15/2014', periods=700, freq='D')
days = np.random.choice(all_days, 500)
events = pd.Series(np.random.randn(len(days)), index=days)
calmap.calendarplot(events, monthticks=3, daylabels='MTWTFSS',
                    dayticks=[0, 2, 4, 6], cmap='YlGn',
                    fillcolor='grey', linewidth=0,
                    fig_kws=dict(figsize=(8, 4)))

plt.show()

生成图形如下：

注意：calmap已经放弃维护了，在使用过程中可能会存在问题。

更多文档内容参见：https://pythonhosted.org/calmap/

Calplot方法

Calplot的安装方式如下：

pip install calplot

对要绘制的数据进行预处理，这里使用Kaggle的一个竞赛数据，该数据集为包含订单编号、订单日期、商品类型、价格、销售数量等字段的销售数据，下载地址为：https://www.kaggle.com/datasets/kyanyoga/sample-sales-data?select=sales_data_sample.csv

需要将订单日期转换为 datetime 格式再进行处理：

import pandas as pd

# 读取数据
df = pd.read_csv('sales_data_sample.csv')

# 数据格式转换
df['ORDERDATE'] = pd.to_datetime(df['ORDERDATE'])

# 将订单时间设置为索引
df.set_index('ORDERDATE', inplace = True)

Calplot的绘图方法简单易用：

import calplot
import matplotlib
import matplotlib.pylab as plt

pl1 = calplot.calplot(data = df['SALES'],how = 'sum', cmap = 'Reds', figsize = (16, 8), suptitle = "Total Sales by Month and Year")

plt.show()

如以上代码中使用calplot包中的 calplot方法生成图形，相应的参数说明：

• data：想要绘制的数据，本例使用的是销售金额。
• how：数据聚合的方式，该参数可以采用标准的python算数方法，这里使用的是  sum 来计算每日的总销售额。
• cmap：指的是绘制所采用的配色方案，matplotlib内置了多种配色方案，可以参考： https://matplotlib.org/stable/tutorials/colors/colormaps.html
• figsize：图像尺寸。
• suptitle：图像标题。

绘制图形如下:

上图按照年份进行分割，纵轴为星期，横轴为月份。每个小方块的颜色越深表明销售额度越高，越浅表明销售额度越低。从上图可以很直观地看出11月的销售额最高。

如果按照订单数量进行统计，需要按天分组统计每日的订单数量，相关完整代码如下：

import pandas as pd
import calplot
import matplotlib.pylab as plt

# 读取数据
df = pd.read_csv('sales_data_sample.csv', encoding='utf-8')

# 统计每天的订单数量
counts = df.groupby('ORDERDATE')['ORDERNUMBER'].agg('count').reset_index()

# 数据格式转换
counts['ORDERDATE'] = pd.to_datetime(counts['ORDERDATE'])

# 将订单时间设置为索引
counts.set_index('ORDERDATE', inplace = True)

# 绘制图形
pl2 = calplot.calplot(counts['ORDERNUMBER'], cmap = 'GnBu', textformat  ='{:.0f}', figsize = (16, 8), suptitle = "Total Orders by Month and Year")
plt.show()

绘制图形如下：

这里通过 textformat 参数展示结果数值，还有更多的其他参数可以参考：

• Calplot文档： https://calplot.readthedocs.io/en/latest/
• Calplot的Pypi主页： https://pypi.org/project/calplot/

July方法

使用July绘制日历热力图的方式类似于calplot，最大的差异是结果按照月而不是年的方式展现。

July的安装方式如下：

pip install july

July中主要有两种绘制图形的方法，可以基于我们的需求进行选择：

• heatmap：绘制一整年的紧凑图形；
• calendar_plot ：将各个月份的情况分开展示。

使用 heatmap 方法：

import pandas as pd
import july
from july.utils import date_range
import matplotlib.pyplot as plt


# 读取数据
df = pd.read_csv('sales_data_sample.csv', encoding='utf-8')

# 生成日期dateframe
dates = date_range("2004-01-01", "2004-12-31")

# 绘图
july.heatmap(dates, data = df['SALES'], title='Total Sales', cmap="golden", month_grid=True, horizontal = True)

plt.show()

生成图形如下：

使用 calendar_plot 方法：

import pandas as pd
import july
from july.utils import date_range
import matplotlib.pyplot as plt


# 读取数据
df = pd.read_csv('sales_data_sample.csv', encoding='utf-8')

# 生成日期dateframe
dates = date_range("2004-01-01", "2004-12-31")

# 绘图
july.calendar_plot(dates, df['SALES'], cmap = 'copper')
plt.show()

生成图形如下：

如果想要查看具体某个月的详细情况，还可以使用 month_plot 方法：

import pandas as pd
import july
from july.utils import date_range
import matplotlib.pyplot as plt


# 读取数据
df = pd.read_csv('sales_data_sample.csv', encoding='utf-8')

# 生成日期dateframe
dates = date_range("2004-01-01", "2004-12-31")

# 绘图
july.month_plot(dates, df['SALES'], month=11, value_label=True)
plt.show()

如下展示11月的详细情况：

更多内容请查看项目地址：https://github.com/e-hulten/july

Plotly方法

Plotly 是一个基于 plotly.js 的python可视化库，其绘制的图形有较好的交互式效果。

Plotly的安装方法：

pip install plotly

绘制日历热力图还需要用到另一个包 plotly-calplot ，安装方式：

pip install plotly-calplot

相关绘制代码如下：

import pandas as pd
import numpy as np
from plotly_calplot import calplot


# 创建样例数据
dummy_start_date = "2021-01-01"
dummy_end_date = "2023-02-03"

dummy_df = pd.DataFrame(
    {"ds": pd.date_range(dummy_start_date, dummy_end_date),
     "value": np.random.randint(
        low=0, 
        high=30, 
        size=(pd.to_datetime(dummy_end_date) - pd.to_datetime(dummy_start_date)).days + 1
        )
        }
        )

# 绘制图形
fig = calplot(
         dummy_df,
         x="ds",
         y="value"
)

fig.show()

结果如下：

通过设置相关参数还可以开启暗夜模式：

fig = calplot(
    dummy_df,
    x="ds",
    y="value",
    dark_theme=True
)
fig.show()

总结

以上介绍了七种常见的使用Python绘制日历热力图的方法，其中Matplotlib和Seaborn是相对基础的可视化包，可以定制和个性化的部分较强，但是代码相对冗长。Pyecharts和Plotly都是基于JavaScript的包进行的Python封装，可交互性较强。Calmap/Calplot/July都是做了更高级的封装，调用起来比较方便，但个性化修改空间有限。

参考

• Matplotlib and Numpy - Create a calendar heatmap
• seaborn.heatmap
• How to visualise analytics data using heatmaps in Seaborn
• Calmap
• Calendar Heatmaps : A perfect way to display your time-series quantitative data
• Calplot
• July
• Interactive Calendar Heatmaps with Python — The Easiest Way You’ll Find