“之前我们已经学习过利用matplotlib绘制热图，这一节我们将主要学习利用Seaborn绘制热图并可以对样本进行聚类。并设置聚类标签。”

热图

之前我们有学习过利用matplotlib绘制热图，比如：

import numpy as np``import matplotlib.pyplot as plt``   ``# 创建模拟数据``data = np.random.rand(5, 5)``   ``# 设置行和列标签``row_labels = ['Row 1', 'Row 2', 'Row 3', 'Row 4', 'Row 5']``col_labels = ['Col 1', 'Col 2', 'Col 3', 'Col 4', 'Col 5']``   ``# 创建热图``plt.imshow(data, cmap='coolwarm', aspect='auto')``   ``# 添加行和列标签``plt.xticks(range(len(col_labels)), col_labels)``plt.yticks(range(len(row_labels)), row_labels)``   ``# 添加颜色条``plt.colorbar()``   ``# 添加标题和标签``plt.title('Heatmap Example')``plt.xlabel('Columns')``plt.ylabel('Rows')``   ``# 显示图像``plt.show()``   

输出：

但有时这种绘图方式满足不了我们的需求，比如我们在进行转录组数据分析时，希望将其聚类结果一并进行展示，这时候我们就需要使用Seaborn进行绘制。

Seaborn 是一个基于 Matplotlib 的数据可视化库，专注于为统计数据和信息可视化提供更高层次的界面。它提供了一些独特的绘图样式和功能，可以更轻松地创建各种统计图表、热图、分布图、回归图等。

import seaborn as sns``import matplotlib.pyplot as plt``   ``expression_data = [`    `[10, 15, 12, 18, 22],`    `[5, 8, 9, 10, 12],`    `[15, 20, 18, 22, 25],`    `[8, 10, 14, 16, 20]``]``   ``# 样本标签和基因名称``sample_labels = ['Sample 1', 'Sample 2', 'Sample 3', 'Sample 4', 'Sample 5']``gene_labels = ['Gene A', 'Gene B', 'Gene C', 'Gene D']``   ``# 创建热图``sns.set()``plt.figure(figsize=(10, 6))``sns.heatmap(expression_data, annot=True, fmt="d", cmap="YlGnBu", xticklabels=sample_labels, yticklabels=gene_labels)``plt.title("Expression Heatmap")``plt.xlabel("Samples")``plt.ylabel("Genes")``plt.show()

输出：

在这里我们首先创建了一组数据，并为其设置行列名称，使用sns.heatmap()函数绘制热图，在sns.heatmap函数中有以下几个参数用于设置热图的一些属性：

sns.heatmap(data, annot=None, fmt=".2g", cmap="viridis", center=None, robust=False, square=False, linewidths=0.5, cbar=True, ax=None, **kwargs)``   

• data: 要绘制的数据，可以是二维数组或类似于 Pandas DataFrame 的数据结构。

• annot: 控制是否在热图上显示数据标签（数值），默认为 None。可以设置为 True（显示数值）、False（不显示数值）或传入一个与数据形状相同的二维数组，用于自定义标签。

• fmt: 标签的格式字符串，用于格式化显示的数据标签。默认为 “.2g”，表示以浮点数格式显示，保留小数点后两位。‘d’表示整数

• cmap: 颜色映射，用于将数据的值映射到颜色。Seaborn 提供了多种预定义的颜色映射，如 “viridis”、“coolwarm”、“YlGnBu” 等。

• center: 将颜色映射的中心值设置为指定值。默认为 None，表示使用数据的中间值作为中心。

• robust: 控制是否使用数据的中位数和四分位数来计算颜色映射范围。默认为 False。

• square: 是否将图形设置为正方形。默认为 False。

• linewidths: 矩阵中单元格之间的分隔线的宽度。默认为 0.5。

• cbar: 是否显示颜色条（颜色映射图例）。默认为 True。

• ax: 用于绘制热图的 Matplotlib 坐标轴。如果不指定，将使用当前活动的坐标轴。

• **kwargs: 其他关键字参数，用于进一步自定义热图的样式和属性。

了解了这些函数的意义我们就可以绘制出自己想要的热图了。

对热图进行聚类

在seaborn中支持将热图进行聚类，使用sns.clustermap()进行聚类：

import seaborn as sns``import matplotlib.pyplot as plt``   ``expression_data = [`    `[10, 15, 12, 18, 22],`    `[5, 8, 9, 10, 12],`    `[15, 20, 18, 22, 25],`    `[8, 10, 14, 16, 20]``]``   ``sample_labels = ['Sample 1', 'Sample 2', 'Sample 3', 'Sample 4', 'Sample 5']``gene_labels = ['Gene A', 'Gene B', 'Gene C', 'Gene D']``   ``# 创建聚类热图``sns.set()``sns.clustermap(expression_data, cmap="viridis", annot=True, fmt="d", row_cluster=True, col_cluster=True,`               `xticklabels=sample_labels, yticklabels=gene_labels)``   ``plt.title("Expression Heatmap with Clustering")``plt.show()

输出：

在 sns.clustermap参数中除了可以向heatmap中设置图形的属性，还可以设置聚类相关的参数：

• method: 用于计算层次聚类的方法。可以是 “single”、“complete”、“average” 等，默认为 “average”。

• metric: 用于计算距离的度量方法。可以是 “euclidean”、“cosine”、“correlation” 等，默认为 “euclidean”。

• z_score: 是否对数据进行 Z 分数标准化。默认为 None，表示不进行标准化。

• standard_scale: 是否对数据进行标准化，使得每行的数据均值为 0，标准差为 1。默认为 None，表示不进行标准化。

• figsize: 图形的大小，可以是元组 (width, height)。

• cbar_kws: 颜色条（颜色映射图例）的关键字参数。

• row_cluster 和 col_cluster: 是否对行和列进行聚类。默认都为 True。

• row_colors 和 col_colors: 行和列的颜色，可以是 Pandas DataFrame 或类似的数据结构。

• dendrogram_ratio: 控制行和列聚类树的宽度。默认为 (0.2, 0.2)，分别表示行和列聚类树的宽度。

• colors_ratio: 控制行和列的颜色标签的宽度。默认为 0.03。

• cbar_pos: 颜色条的位置和大小。默认为 (0, 0.2, 0.03, 0.4)，分别表示左边距、底边距、宽度和高度。

• tree_kws: 层次聚类树的关键字参数。

这样我们就可以根据自己想要的聚类方式进行聚类了。

添加聚类标签

我们可以利用plt.setp设置热图的label，以及clustermap.ax_col_dendrogram.set_title函数用来设置聚类的标签：

import seaborn as sns``import matplotlib.pyplot as plt``   ``expression_data = [`    `[10, 15, 12, 18, 22],`    `[5, 8, 9, 10, 12],`    `[15, 20, 18, 22, 25],`    `[8, 10, 14, 16, 20]``]``   ``sample_labels = ['Sample 1', 'Sample 2', 'Sample 3', 'Sample 4', 'Sample 5']``gene_labels = ['Gene A', 'Gene B', 'Gene C', 'Gene D']``   ``plt.figure(figsize=(10, 8))``sns.set(font_scale=1.2)``clustermap = sns.clustermap(expression_data, cmap="viridis", annot=True, fmt="d", row_cluster=True, col_cluster=True,`                            `xticklabels=sample_labels, yticklabels=gene_labels)``   ``plt.title("Expression Heatmap with Clustering")``plt.xlabel("Samples")``plt.ylabel("Genes")``   ``   ``# 调整行和列标签旋转``plt.setp(clustermap.ax_heatmap.get_xticklabels(), rotation=45, ha="right")``plt.setp(clustermap.ax_heatmap.get_yticklabels(), rotation=0)``   ``# 添加聚类标签``clustermap.ax_col_dendrogram.set_title("Sample Clustering",fontdict={'fontsize': 14})``clustermap.ax_row_dendrogram.set_title("Gene Clustering",fontdict={'fontsize': 14},rotation="vertical")``   ``plt.show()

输出：

这里就体现出一个问题，当我们使用clustermap.ax_col_dendrogram.set_title函数设置列聚类标题时是没有问题的，但是如果我们设置行聚类标题是会发现其会在列聚类图的侧边显示，并不是我们想要的位置，这时我们可以使用另一种方法进行实现：

import seaborn as sns``import matplotlib.pyplot as plt``   ``expression_data = [`    `[10, 15, 12, 18, 22],`    `[5, 8, 9, 10, 12],`    `[15, 20, 18, 22, 25],`    `[8, 10, 14, 16, 20]``]``   ``sample_labels = ['Sample 1', 'Sample 2', 'Sample 3', 'Sample 4', 'Sample 5']``gene_labels = ['Gene A', 'Gene B', 'Gene C', 'Gene D']``   ``plt.figure(figsize=(10, 8))``sns.set(font_scale=1.2)``clustermap = sns.clustermap(expression_data, cmap="viridis", annot=True, fmt="d", row_cluster=True, col_cluster=True,`                            `xticklabels=sample_labels, yticklabels=gene_labels)``   ``plt.title("Expression Heatmap with Clustering")``plt.xlabel("Samples")``plt.ylabel("Genes")``   ``   ``# 调整行和列标签旋转``plt.setp(clustermap.ax_heatmap.get_xticklabels(), rotation=45, ha="right")``plt.setp(clustermap.ax_heatmap.get_yticklabels(), rotation=0)``   ``# 添加聚类标签``clustermap.ax_col_dendrogram.set_title("Sample Clustering",fontdict={'fontsize': 14})``   ``plt.figtext(0, 0.4, "Gene Clustering", fontsize=14, ha="center", rotation="vertical")``   ``plt.show()``   

输出：

plt.figtext的前两个参数代表你添加的标签的位置（相对于整个图像的xy，第三个参数为添加的标签内容，fontsize设置字符大小，ha="center"设置处在中间位置，rotation="vertical"将其变为垂直格式。

总结

本公众号是我们几个人用来督促自己坚持学习并与各位同好交流而设立，如果您觉得我们的推送对您有所帮助，请不吝点赞、转发、在看，或帮助点击文章中出现的广告支持我们的工作

参考资料

[1] seaborn.clustermap — seaborn 0.12.2 documentation (pydata.org)

https://seaborn.pydata.org/generated/seaborn.clustermap.html

[2]seaborn.heatmap — seaborn 0.12.2 documentation (pydata.org)

https://seaborn.pydata.org/generated/seaborn.heatmap.html

---------------------------END---------------------------

题外话

当下这个大数据时代不掌握一门编程语言怎么跟的上脚本呢？当下最火的编程语言Python前景一片光明！如果你也想跟上时代提升自己那么请看一下.

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。

CSDN大礼包：全网最全《Python学习资料》免费赠送！（安全链接，放心点击）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

CSDN大礼包：全网最全《Python学习资料》免费赠送！（安全链接，放心点击）

若有侵权，请联系删除