基于以上概念，不难理解，绘制热力图所需要的数据往往是3维或者更高维度的，下面给出三维的两种常见的数据样本格式：
格式一、点型数据，即知道三维空间的若干个数据点(x,y,z)，其中z为待表征量：
格式二、网格型数据，网格型数据本质上还是点型数据，只是在样本数据预处理时有细微区别，同样z为待表征量：
清楚了样本数据格式后，以人口密度热力图来说明热力图的制作原理，下图是从腾讯位置大数据(heat.qq.com)上截取截取的北京市朝阳区欢乐谷2019年10月18日17:00的人口密度图。
为了绘制上面一张图，首先要获取腾讯地图使用者的位置(经度x, 纬度y)，统计规定时间内在某个位置区域使用腾讯地图的人数，将统计的人数除以位置区域的面积即可得到该区的人口密度z。现在数据点(x,y,z)均已获取，不过数据离散性很大。如果只是单纯地绘制所得到的数据，那将是一个个不同颜色的离散点。为了最大化利用获取的数据，使得更具有宏观参考价值，对获取的数据采用数学处理方法进行数据扩充是很有必要的，扩充之后就能实现全域观察，最后形成了上图。
通过上面的简述，相信小伙伴们对热力图的绘制原理应该有所了解了吧。要在二维空间里绘制三维数据，有没有什么办法呢？答案是肯定的，那就是把第三维用另外一种形式来表征，而颜色就是最合适的候选者，将第三维数据与颜色值一一对应，这样就可以在二维空间完成三维数据的绘制。
下面以第一种样本数据格式来演示热力图的绘制：
代码语言：javascript复制clc;clear;close all;
% 定义点(x,y,z)
x = randn(50,1);
xmax = max(x);
xmin = min(x);
y = randn(50,1);
ymax = max(y);
ymin = min(y);
z = exp(sin(x.^2)) exp(cos(y.^2));
N = 500; % 每个维度的数据点数
% 网格化x,y二维空间
[X,Y] = meshgrid(linspace(xmin,xmax,N),linspace(ymin,ymax,N));
% 采用插值法扩展数据，可用方法有'linear'(default)|'nearest'|'natural'|'cubic'|'v4'|
Z = griddata(x,y,z,X,Y,'v4');
%% 等高线法
figure('NumberTitle','off','Name','等高线法','Color','w','MenuBar','none','ToolBar','none');
contourf(X,Y,Z,N, 'LineColor','none');
colormap('jet');
colorbar;
axis off;
%% 投影图法
figure('NumberTitle','off','Name','投影图法','Color','w','MenuBar','none','ToolBar','none');
surf(X,Y,Z,'LineStyle','none');
xlim([min(X(:)) max(X(:))]);
ylim([min(Y(:)) max(Y(:))]);
axis off;
colormap('jet');
colorbar;
shading interp;
view(0,90);
%% imagesc法
figure('NumberTitle','off','Name','imagesc法','Color','w','MenuBar','none','ToolBar','none');
% 因为图像坐标和笛卡尔坐标起始位置不一样，需要上下翻转
imagesc(flipud(Z));
colormap('jet');
colorbar;
axis off;
%% pcolor法
figure('NumberTitle','off','Name','pcolor法','Color','w','MenuBar','none','ToolBar','none');
pcolor(X,Y,Z);
colormap('jet');
colorbar;
shading interp;
axis off;
