¿Mapa de calor en matplotlib con pcolor?

Me gustaría hacer un mapa de calor como este (que se muestra en FlowingData ):

Los datos de origen están aquí , pero los datos aleatorios y las etiquetas estarían bien para usar, es decir

import numpy
column_labels = list('ABCD')
row_labels = list('WXYZ')
data = numpy.random.rand(4,4)

Hacer el mapa de calor es bastante fácil en matplotlib:

from matplotlib import pyplot as plt
heatmap = plt.pcolor(data)

E incluso encontré argumentos de un mapa de colores que parecen correctos:heatmap = plt.pcolor(data, cmap=matplotlib.cm.Blues)

Pero más allá de eso, no puedo averiguar cómo mostrar etiquetas para las columnas y filas y mostrar los datos en la orientación adecuada (origen en la parte superior izquierda en lugar de en la parte inferior izquierda).

Todos los intentos de manipular heatmap.axes(por ejemplo heatmap.axes.set_xticklabels = column_labels) han fallado. ¿Que me estoy perdiendo aqui?

Esto es tarde, pero aquí está mi implementación en Python del mapa de calor de la NBA de datos fluidos.

actualizado: 1/4/2014 : gracias a todos

# -*- coding: utf-8 -*-
# <nbformat>3.0</nbformat>

# ------------------------------------------------------------------------
# Filename   : heatmap.py
# Date       : 2013-04-19
# Updated    : 2014-01-04
# Author     : @LotzJoe >> Joe Lotz
# Description: My attempt at reproducing the FlowingData graphic in Python
# Source     : http://flowingdata.com/2010/01/21/how-to-make-a-heatmap-a-quick-and-easy-solution/
#
# Other Links:
#     http://stackoverflow.com/questions/14391959/heatmap-in-matplotlib-with-pcolor
#
# ------------------------------------------------------------------------

import matplotlib.pyplot as plt
import pandas as pd
from urllib2 import urlopen
import numpy as np
%pylab inline

page = urlopen("http://datasets.flowingdata.com/ppg2008.csv")
nba = pd.read_csv(page, index_col=0)

# Normalize data columns
nba_norm = (nba - nba.mean()) / (nba.max() - nba.min())

# Sort data according to Points, lowest to highest
# This was just a design choice made by Yau
# inplace=False (default) ->thanks SO user d1337
nba_sort = nba_norm.sort('PTS', ascending=True)

nba_sort['PTS'].head(10)

# Plot it out
fig, ax = plt.subplots()
heatmap = ax.pcolor(nba_sort, cmap=plt.cm.Blues, alpha=0.8)

# Format
fig = plt.gcf()
fig.set_size_inches(8, 11)

# turn off the frame
ax.set_frame_on(False)

# put the major ticks at the middle of each cell
ax.set_yticks(np.arange(nba_sort.shape[0]) + 0.5, minor=False)
ax.set_xticks(np.arange(nba_sort.shape[1]) + 0.5, minor=False)

# want a more natural, table-like display
ax.invert_yaxis()
ax.xaxis.tick_top()

# Set the labels

# label source:https://en.wikipedia.org/wiki/Basketball_statistics
labels = [
    'Games', 'Minutes', 'Points', 'Field goals made', 'Field goal attempts', 'Field goal percentage', 'Free throws made', 'Free throws attempts', 'Free throws percentage',
    'Three-pointers made', 'Three-point attempt', 'Three-point percentage', 'Offensive rebounds', 'Defensive rebounds', 'Total rebounds', 'Assists', 'Steals', 'Blocks', 'Turnover', 'Personal foul']

# note I could have used nba_sort.columns but made "labels" instead
ax.set_xticklabels(labels, minor=False)
ax.set_yticklabels(nba_sort.index, minor=False)

# rotate the
plt.xticks(rotation=90)

ax.grid(False)

# Turn off all the ticks
ax = plt.gca()

for t in ax.xaxis.get_major_ticks():
    t.tick1On = False
    t.tick2On = False
for t in ax.yaxis.get_major_ticks():
    t.tick1On = False
    t.tick2On = False

La salida se ve así:

Hay un cuaderno ipython con todo este código aquí . He aprendido mucho de 'overflow, así que espero que alguien lo encuentre útil.

El módulo de python seaborn se basa en matplotlib y produce un mapa de calor muy agradable.

A continuación se muestra una implementación con seaborn, diseñada para el portátil ipython / jupyter.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
# import the data directly into a pandas dataframe
nba = pd.read_csv("http://datasets.flowingdata.com/ppg2008.csv", index_col='Name  ')
# remove index title
nba.index.name = ""
# normalize data columns
nba_norm = (nba - nba.mean()) / (nba.max() - nba.min())
# relabel columns
labels = ['Games', 'Minutes', 'Points', 'Field goals made', 'Field goal attempts', 'Field goal percentage', 'Free throws made', 
          'Free throws attempts', 'Free throws percentage','Three-pointers made', 'Three-point attempt', 'Three-point percentage', 
          'Offensive rebounds', 'Defensive rebounds', 'Total rebounds', 'Assists', 'Steals', 'Blocks', 'Turnover', 'Personal foul']
nba_norm.columns = labels
# set appropriate font and dpi
sns.set(font_scale=1.2)
sns.set_style({"savefig.dpi": 100})
# plot it out
ax = sns.heatmap(nba_norm, cmap=plt.cm.Blues, linewidths=.1)
# set the x-axis labels on the top
ax.xaxis.tick_top()
# rotate the x-axis labels
plt.xticks(rotation=90)
# get figure (usually obtained via "fig,ax=plt.subplots()" with matplotlib)
fig = ax.get_figure()
# specify dimensions and save
fig.set_size_inches(15, 20)
fig.savefig("nba.png")

La salida se ve así: utilicé el mapa de colores matplotlib Blues, pero personalmente encuentro los colores predeterminados bastante hermosos. Usé matplotlib para rotar las etiquetas del eje x, ya que no pude encontrar la sintaxis de seaborn. Como señaló grexor, fue necesario especificar las dimensiones (fig.set_size_inches) por prueba y error, lo que me pareció un poco frustrante.

Como señaló Paul H, puede agregar fácilmente los valores a los mapas de calor (annot = True), pero en este caso no pensé que mejorara la figura. Se tomaron varios fragmentos de código de la excelente respuesta de joelotz.

El problema principal es que primero debe establecer la ubicación de sus tics xey. Además, ayuda a utilizar la interfaz más orientada a objetos para matplotlib. Es decir, interactúe con el axesobjeto directamente.

import matplotlib.pyplot as plt
import numpy as np
column_labels = list('ABCD')
row_labels = list('WXYZ')
data = np.random.rand(4,4)
fig, ax = plt.subplots()
heatmap = ax.pcolor(data)

# put the major ticks at the middle of each cell, notice "reverse" use of dimension
ax.set_yticks(np.arange(data.shape[0])+0.5, minor=False)
ax.set_xticks(np.arange(data.shape[1])+0.5, minor=False)


ax.set_xticklabels(row_labels, minor=False)
ax.set_yticklabels(column_labels, minor=False)
plt.show()

Espero que ayude.

Alguien editó esta pregunta para eliminar el código que usé, así que me vi obligado a agregarlo como respuesta. ¡Gracias a todos los que participaron en responder esta pregunta! Creo que la mayoría de las otras respuestas son mejores que este código, solo dejo esto aquí para fines de referencia.

Gracias a Paul H y a unutbu (que respondió a esta pregunta ), tengo un resultado bastante atractivo:

import matplotlib.pyplot as plt
import numpy as np
column_labels = list('ABCD')
row_labels = list('WXYZ')
data = np.random.rand(4,4)
fig, ax = plt.subplots()
heatmap = ax.pcolor(data, cmap=plt.cm.Blues)

# put the major ticks at the middle of each cell
ax.set_xticks(np.arange(data.shape[0])+0.5, minor=False)
ax.set_yticks(np.arange(data.shape[1])+0.5, minor=False)

# want a more natural, table-like display
ax.invert_yaxis()
ax.xaxis.tick_top()

ax.set_xticklabels(row_labels, minor=False)
ax.set_yticklabels(column_labels, minor=False)
plt.show()

Y aquí está la salida: