概要（ヒートマップは「2次元の表を色で読み解く」最短ルート）
ヒートマップは、2次元の数値テーブルを色の濃淡で表現するグラフです。相関（どの列同士が関係強い？）、クロス集計（店舗×月の売上）、時系列のパターン（曜日×時間のピーク）などを、一枚で直感的に掴めます。初心者は「データを2次元に整形する（ピボット）→数値に統一→seaborn.heatmapで描画」の型を押さえると、迷わず作れます。
基本の作り方（seaborn.heatmapで最短）
最小例（DataFrameをそのまま色にする）
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.DataFrame({
"A": [1, 3, 2],
"B": [4, 2, 5],
"C": [6, 1, 3]
}, index=["row1", "row2", "row3"])
plt.figure(figsize=(5, 3))
sns.heatmap(data, cmap="viridis")
plt.title("Basic heatmap")
plt.tight_layout(); plt.show()
行名・列名がそのまま軸ラベルになります。まずは「数値の2次元表」を渡せば描ける、が基本です。
値を表示して読み取りやすくする（annot）
sns.heatmap(data, cmap="viridis", annot=True, fmt=".1f")
各セルに数値を印字します。fmtで小数点以下の桁数を整えます。
相関行列をヒートマップで可視化
import numpy as np
df = pd.DataFrame({
"sales": [100,120,90,140,160],
"ads": [20,30,15,40,45],
"temp": [25,28,32,30,35]
})
corr = df.corr() # 数値列の相関係数
sns.heatmap(corr, cmap="coolwarm", vmin=-1, vmax=1, center=0, annot=True)
正負の値を扱う相関は、ゼロを中心にした両側カラー（diverging）を使うと直感的です。
データ整形（ピボットで「二次元の表」を作る）
行・列を指定して集計表を作る（pivot_table）
df = pd.DataFrame({
"store": ["A","A","B","B","A","B"],
"month": ["Jan","Feb","Jan","Feb","Mar","Mar"],
"sales": [100,120,90,110,130,115]
})
pivot = df.pivot_table(index="store", columns="month", values="sales", aggfunc="sum", fill_value=0)
sns.heatmap(pivot, cmap="YlGnBu", annot=True)
ヒートマップは「行×列＝値」へ整形してからが本番です。欠損はfill_valueやfillnaで埋めておきます。
時間の2軸に展開（曜日×時間のピークを見る）
log = pd.DataFrame({
"dt": pd.date_range("2025-01-01", periods=200, freq="H"),
"count": [1,2,5,3,4]*40
})
log["weekday"] = log["dt"].dt.day_name()
log["hour"] = log["dt"].dt.hour
grid = log.pivot_table(index="weekday", columns="hour", values="count", aggfunc="sum", fill_value=0)
sns.heatmap(grid, cmap="magma")
曜日×時間にすると、混雑の「時間帯パターン」が一目で分かります。
表現の深掘り（色・スケール・凡例・強調）
色（cmap）とスケール（vmin/vmax/center）を意図通りに
sns.heatmap(data, cmap="viridis", vmin=0, vmax=10) # 0〜10に固定
sns.heatmap(corr, cmap="coolwarm", center=0, vmin=-1, vmax=1) # 正負で中心を0に
範囲を固定すると、比較や再現性が安定します。相関のような正負データはcenterでゼロ中心に。
カラーバーやセル罫線で読みやすく
sns.heatmap(pivot, cmap="YlGnBu", cbar=True, linewidths=0.5, linecolor="white", annot=True)
cbarは色の値の目安、linewidthsはセル区切りの視認性が上がります。
大きな表はラベル回転・正方形・サイズ調整
ax = sns.heatmap(pivot, square=True)
ax.set_xticklabels(ax.get_xticklabels(), rotation=45, ha="right")
plt.figure(figsize=(8,6))
ラベルが重なるなら回転、squareで正方形に、figsizeを広げて詰まりを解消します。
マスクで斜め半分を隠す（相関の下三角だけを表示）
import numpy as np
mask = np.triu(np.ones_like(corr, dtype=bool))
sns.heatmap(corr, mask=mask, cmap="coolwarm", center=0)
相関行列は上下対称です。片側を隠して見やすくします。
実践例（標準化して公平比較、カテゴリのダミー化、欠損対策）
列ごとに標準化して「相対比較」へ
from sklearn.preprocessing import StandardScaler
scaled = pd.DataFrame(StandardScaler().fit_transform(pivot), index=pivot.index, columns=pivot.columns)
sns.heatmap(scaled, cmap="RdBu_r", center=0)
列の桁が違うと濃淡に引っ張られます。標準化（平均0・標準偏差1）で「どの行が相対的に高いか」を公平に比較できます。
カテゴリはダミー変換して“数値の表”へ
df = pd.DataFrame({"cat": ["A","B","A","C"], "flag": [1,0,1,0]})
dummy = pd.get_dummies(df["cat"]) # A/B/Cを0/1列へ
sns.heatmap(dummy, cmap="Greens", cbar=False)
文字列のままでは色付けできません。ダミー化で「存在/非存在」を色で見せられます。
欠損は事前に埋める・範囲から除外する
pivot = pivot.fillna(0) # ルールに合わせて埋める
# もしくは、描画時にmaskで欠損を非表示
mask = pivot.isna()
sns.heatmap(pivot, mask=mask, cmap="YlOrBr")
NaNが混じると色が飛びます。埋めるか隠すかを先に決めておきます。
つまずき対策（尺度の偏り・外れ値・サイズ・並び順）
尺度の偏りには標準化・正規化で対処
値の桁が大きい列があると色が支配的になります。標準化（StandardScaler）や0–1正規化で「相対的な強弱」を見やすくします。
外れ値が色階調を壊すときは範囲固定
vmin/vmaxでレンジを固定し、極端値は注釈や別図で誠実に示します。場合によってはwinsorizeやクリップで過度な影響を抑えます。
行列が大きいと読めない
ラベル回転・省略（短縮名）・squareとfigsize調整で視認性を確保します。必要ならサブセットで分割し、テーマごとに図を分けます。
並び順を意味で整える
行・列の順序で印象が変わります。合計値で並べ替える、カテゴリを期待順へ並べ替える（CategoricalDtype）など、見る人が読みやすい順に整えます。
まとめ（「二次元の表へ整形→数値へ統一→色とスケールを設計」）
ヒートマップは、二次元の数値表を色で読み解くための強力な道具です。まずpivotで「行×列＝値」を作り、欠損や型を整え、seaborn.heatmapで描画。相関はゼロ中心の色、量の比較は範囲固定、桁違いは標準化。ラベル回転やマスクで視認性を上げ、並び順を意味で整える。この型に従えば、初心者でも“伝わるヒートマップ”を安定して作れます。