9 min de leitura

#10 - Mapas de Calor e Dados 2D com imshow, contour e pcolormesh

Como visualizar matrizes como mapas de calor com imshow(), desenhar curvas de nível com contour() e contourf(), e controlar a escala de cores com Normalize e LogNorm.

#10 - Mapas de Calor e Dados 2D com imshow, contour e pcolormesh

Boxplot, violin plot e barras de erro resumem a distribuição de uma variável. Mas alguns dados não são uma lista de valores — são uma grade de valores, como uma matriz de correlação ou uma função que depende de duas variáveis. Este post mostra como visualizar esse tipo de dado bidimensional com mapas de calor e curvas de nível.

Mapas de calor com imshow()

plt.imshow() desenha uma matriz numérica como uma grade de células coloridas — cada célula recebe uma cor proporcional ao seu valor, seguindo um colormap. Lembra do post de Pandas sobre correlações? É exatamente esse tipo de matriz que um mapa de calor deixa muito mais fácil de interpretar de relance.

Exemplo 1 - visualizando uma matriz de correlação

import matplotlib.pyplot as plt
import numpy as np

rotulos = ["duracao", "pulso", "calorias"]
matriz_correlacao = np.array([
    [1.00, -0.16, 0.88],
    [-0.16, 1.00, 0.04],
    [0.88, 0.04, 1.00]
])

fig, ax = plt.subplots(figsize=(5, 5))
grafico = ax.imshow(matriz_correlacao, cmap="coolwarm", vmin=-1, vmax=1)
ax.set_xticks(range(len(rotulos)))
ax.set_yticks(range(len(rotulos)))
ax.set_xticklabels(rotulos)
ax.set_yticklabels(rotulos)
fig.colorbar(grafico, ax=ax, label="Correlação")
plt.show()

Cada célula da matriz vira um quadrado colorido: tons próximos de uma das pontas do colormap "coolwarm" representam correlação forte (positiva ou negativa), e tons no meio (branco) representam correlação perto de zero. vmin=-1 e vmax=1 fixam os extremos da escala de cores nos limites teóricos de uma correlação, garantindo que a mesma cor sempre signifique o mesmo valor em gráficos diferentes. fig.colorbar() funciona aqui exatamente como nos gráficos de dispersão e 3D vistos antes na série.

Exemplo 2 - anotando os valores em cima do mapa de calor

fig, ax = plt.subplots(figsize=(5, 5))
grafico = ax.imshow(matriz_correlacao, cmap="coolwarm", vmin=-1, vmax=1)
ax.set_xticks(range(len(rotulos)))
ax.set_yticks(range(len(rotulos)))
ax.set_xticklabels(rotulos)
ax.set_yticklabels(rotulos)

for i in range(len(rotulos)):
    for j in range(len(rotulos)):
        ax.text(j, i, f"{matriz_correlacao[i, j]:.2f}", ha="center", va="center", color="black")

fig.colorbar(grafico, ax=ax, label="Correlação")
plt.show()

Um laço duplo percorre todas as posições (linha, coluna) da matriz e desenha o valor exato em cima de cada célula com ax.text() — combinar a cor de fundo (uma impressão geral rápida) com o número exato (pra quem precisa do valor preciso) é um padrão comum em mapas de calor de matrizes de correlação.

Controlando a escala de cores com Normalize e LogNorm

Por padrão, o imshow() mapeia o menor valor da matriz pra uma ponta do colormap e o maior pra outra, de forma linear. Quando os dados têm uma distribuição muito desigual — a maioria dos valores pequenos e uns poucos bem maiores —, essa escala linear esconde variação nos valores pequenos. matplotlib.colors.LogNorm resolve isso aplicando uma escala logarítmica às cores, do mesmo jeito que set_yscale("log") resolve pra um eixo.

Exemplo 3 - LogNorm numa matriz com valores muito desiguais

from matplotlib.colors import LogNorm

dados = np.array([
    [1, 10, 100],
    [5, 50, 500],
    [2, 2000, 20000]
])

fig, ax = plt.subplots(figsize=(5, 4))
grafico = ax.imshow(dados, cmap="viridis", norm=LogNorm())
fig.colorbar(grafico, ax=ax, label="Valor (escala log)")
plt.show()

Sem LogNorm, o valor 20000 puxaria quase toda a escala de cores pra si, deixando os valores menores (1, 10, 100…) praticamente indistinguíveis, todos na mesma cor escura. Com norm=LogNorm(), a escala de cores segue progressão logarítmica, e diferenças entre valores pequenos voltam a ser visíveis. O equivalente pra uma escala linear explícita (o padrão, mas configurável) é matplotlib.colors.Normalize(vmin=..., vmax=...).

Curvas de nível com contour() e contourf()

Quando o dado vem de uma função de duas variáveis — z = f(x, y) —, em vez de uma matriz já pronta, plt.contour() desenha curvas de nível (linhas que conectam pontos de mesmo valor de z), e plt.contourf() faz o mesmo preenchendo as regiões entre as curvas com cor.

Exemplo 4 - gerando a grade com meshgrid

x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

np.meshgrid() transforma dois arrays 1D (x e y) em duas matrizes 2D (X e Y) que representam todas as combinações possíveis de coordenadas da grade — é a partir de X e Y que uma função como Z = sin(X) * cos(Y) calcula um valor de z pra cada ponto da grade de uma vez, sem precisar de nenhum laço explícito.

Exemplo 5 - curvas de nível

fig, ax = plt.subplots(figsize=(6, 5))
contornos = ax.contour(X, Y, Z, levels=10, cmap="viridis")
ax.clabel(contornos, inline=True, fontsize=8)
ax.set_title("Curvas de Nível de sin(x) * cos(y)")
plt.show()

levels=10 define quantas curvas de nível desenhar, distribuídas automaticamente entre o menor e o maior valor de Z. ax.clabel() escreve o valor de z diretamente sobre cada curva, o que ajuda a interpretar rapidamente se uma região representa um pico ou um vale.

Exemplo 6 - preenchendo as regiões com contourf()

fig, ax = plt.subplots(figsize=(6, 5))
preenchido = ax.contourf(X, Y, Z, levels=20, cmap="viridis")
fig.colorbar(preenchido, ax=ax, label="Valor de Z")
ax.set_title("Curvas de Nível Preenchidas")
plt.show()

contourf() (o “f” de filled) colore o espaço entre as curvas de nível em vez de desenhar só as linhas, produzindo um resultado visual parecido com um mapa de calor contínuo — mas construído a partir de uma função matemática e uma grade, em vez de uma matriz de dados já discreta como no imshow().

Nota: plt.pcolormesh() é uma terceira função pra visualizar dados de grade, mais próxima do imshow() — a diferença é que ela aceita eixos x/y com espaçamento irregular entre as células (o imshow() assume células igualmente espaçadas), o que a torna útil quando a grade de dados não é uniforme.

Com mapas de calor, curvas de nível e controle fino da escala de cores, o repertório de visualizações do Matplotlib cobre praticamente qualquer formato de dado — de uma lista simples de números a uma grade bidimensional inteira. Chegou a hora de fechar esta leva de posts sobre Matplotlib com um tema mais prático: como salvar as figuras em arquivo e como plotar em três dimensões.

Fonte adaptada: Matplotlib - Heatmap, Matplotlib - Contour Plot