伏龙阁资源网

Matplotlib配色之Colormap详解
站长资源 2024/12/24 佚名
2 0

概述

上一篇详细介绍了 matplotlib 直接使用"格式化的颜色定义"给图表元素配色。如，直接指定 axes.plot 绘制的 Line2D 的颜色 fmt = 'r'。

有时我们希望图表元素的颜色与数据集中某个变量的值相关，颜色随着该变量值的变化而变化，以反映数据变化趋势、数据的聚集、分析者对数据的理解等信息，这时，我们就要用到 matplotlib 的颜色映射（colormap）功能，即将数据映射到颜色。

要实现数据到颜色的映射需要做两件事：

  • 变量值的变化范围很大，matplotlib用 [0, 1] 区间的浮点数表示颜色RGB值，首先需要将不同的变量值映射到[0, 1]区间；
  • 将映射[0, 1]区间的变量值映射到颜色。

matplotlib.colors 模块是实现 colormap 配色功能的核心模块。

  • 该模块的Normalize()类及其子类完成第1个任务；
  • 该模块的colormap类及其子类完成第2个任务。

将上述两个类的实例，即：

  • 定义变量数据映射到[0, 1]区间的规则；
  • 和[0, 1]映射到颜色的规则。

作为参数传递给绘图函数，即可实现颜色反映变量数据属性的目的。参见下面的入门示例。

入门示例

我们先看一个示例，简单、直观地了解 matplotlib.colors模块的工作原理。

使用有名的 Iris Data Set（鸢尾属植物数据集）中的数据来演示图表的绘制和配置，这样更接近实际的应用。可以到QQ群：457079928中下载这个数据集iris.csv。

Iris 数据集首次出现在著名的英国统计学家和生物学家Ronald Fisher 1936年的论文《The use of multiple measurements in taxonomic problems》中，被用来介绍线性判别式分析。

在这个数据集中，包括了三类不同的鸢尾属植物：Iris Setosa，Iris Versicolour，Iris Virginica。每类收集了50个样本，因此这个数据集一共包含了150个样本。

该数据集测量了 150 个样本的 4 个特征，分别是：

  • sepal length（花萼长度）
  • sepal width（花萼宽度）
  • petal length（花瓣长度）
  • petal width（花瓣宽度）

以上四个特征的单位都是厘米（cm）。

%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

iris_df = pd.read_csv('iris.csv',index_col='index_col')

#用花萼长度作为 x 值， 花萼宽度作为 y 值绘制散点图
x = iris_df['PetalLength'].values
y = iris_df['SepalLength'].values

fig = plt.figure()
ax= plt.axes()

# 直接指定颜色
# 点的颜色都一样，颜色不反映更多的信息
plt.scatter(x, y,c='g')

plt.show()

Matplotlib配色之Colormap详解

如果我们分析这个数据，图中的点聚集成 3 个组，如下图所示：

Matplotlib配色之Colormap详解

我们希望用点的颜色反映这种分组聚集的信息，可以这样做：

  • 定义一个三个颜色的列表为 colormap;
  • 定义一个数据归一化的实例，将希望关联颜色的数据映射到[0, 1]区间；
  • 使用 cmap, norm 实现图表元素的分组配色。
%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

iris_df = pd.read_csv('../Topics/iris.csv',index_col='index_col')

x = iris_df['PetalLength'].values
y = iris_df['SepalLength'].values

fig = plt.figure()
ax= plt.axes()

#创建一个ListedColormap实例
#定义了[0, 1]区间的浮点数到颜色的映射规则
cmp = mpl.colors.ListedColormap(['r','g','b'])

# 创建一个BoundaryNorm实例
# BoundaryNorm是数据分组中数据归一化比较好的方法
# 定义了变量值到 [0, 1]区间的映射规则，即数据归一化
norm = mpl.colors.BoundaryNorm([0, 2, 6.4, 7], cmp.N)

#绘制散点图，用x值着色，
#使用norm对变量值进行归一化，
#使用自定义的ListedColormap颜色映射实例
#norm将变量x的值归一化
#cmap将归一化的数据映射到颜色
plt.scatter(x,y,c=x, cmap=cmp, norm=norm, alpha=0.7)

plt.show()

Matplotlib配色之Colormap详解

上图就比较直观地反映了数据的分组信息。

上面的示例使用了 colors 模块中的主要功能，下面就详细讨论该模块的架构。

maplotlib.colors 模块

matplotlib.colors模块的架构如下图所示：

Matplotlib配色之Colormap详解

matplotlib.colors模块定义了11个类，定义了10个模块命名空间的方法。

matplotlib.colors模块的主要功能就是将数字或颜色参数转换为RGB或RGBA。

RGB和RGBA分别是0-1范围内3个或4个浮点数的序列。参见上一篇 matplotlib 颜色定义格式规范中的相关内容。

此模块包括：

用于将数字归一化的类和方法，即将列表中的数据映射到 [0,1]区间的浮点数；

用于将归范化后的数字映射到一维数组中的颜色，称之为 colormap。

理解 matplotlib.colors 模块的工作

  • 构建一个[0,1] 或 [0, 255]区间，该区间上有256个点；请想像把这256个点从左到右排列成一个长条；
  • 通过Normalize类（或者它的子类，映射方法不同）将数据映射到这个区间，比如上例中'PetalLength'数据区间是[1.0, 6.9], 就将区间[1.0, 6.9]映射到[0, 1]; 上例中定义了一个BoundaryNorm实例；
  • 构建一个colormap（通常是它的子类）实例，该实例是一个颜色名称列表，或者浮点数数组表示的RGB值；
  • 这个颜色列表依次排列在[0, 1]这个区间的256个点上，但每个颜色（colormap中列出的颜色）占用的位置和区间则由Normalize指定；上例中定义一个cmp = mpl.colors.ListedColormap(['r','g','b'])，列出了3种颜色；
  • 如果没有定义colormap，则默认使用rc image.cmap中的设置；
  • 如果不指定Normalize，则默认使用colors.Normalize。

 matplotlib.Colormap类及其子类

matplotlib.colors模块的Colormap类是一个基类，提供了将[0, 1]的数据映射到颜色的一些属性和方法供其子类使用，很少直接使用该基类，主要使用它的两个子类：

  • ListedColrmap()
  • LinearSegmentedColormap()

这两个子类就是两种不同的映射方法。

colors.ListedColormap()子类

ListedColormap()类从颜色列表生成一个colormap。

class matplotlib.colors.ListedColormap(colors, name='from_list', N=None)

**colors**参数有两种形式：

  • matplotlib 接受的规范的颜色列表，如['r', 'g', 'b'], 或['C0', 'C3', 'C7']，等，详见基础篇；
  • 用[0, 1]区间的浮点数表示的RGB （N3）或 RGBA （N4)的数组，如：array((0.9, 0.1, 0.1),(0.1, 0.9, 0.1),(0.1, 0.1, 0.9))

以colors = ['r', 'g', 'b']为例：

就是将[0, 1]区间划分为三段，第一段映射为'r'色，第二段映射为'g'色，第三段映射为'b'色。

请看下面的示例：

#本示例演示对散点条分段着不同颜色

%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.colors

x= np.linspace(1, 12, 24, endpoint=True)
y=x/x

fig = plt.figure()
ax= plt.axes()

# 将`[0, 1]`区间简单地分成四段，依次映射为列表`['r','g','b','y']`中列出的颜色
cmp = mpl.colors.ListedColormap(['r','g','b','y'])

#绘制散点图，用x值着色
#没有指定Norm，所以使用默认的`colors.Normalize`
#将x的值区间为 [1, 24]`映射（归一化）到`[0, 1]`区间
plt.scatter(x, y,s=120, marker='s', c=x, cmap=cmp)

plt.show()

Matplotlib配色之Colormap详解

参数 Name

可选参数。

给自定义的Colormap命名，将这个Colormap注册到matplotlib，后面即可以通过名称来反复调用该colormap。

参数 N

可选参数。

从列表中的颜色输入到映射的颜色数量。默认为None，即列表中的每个颜色都作为一项输入到映射中。简单地说，就是选用列表中的颜色数量。如果

  • N < len(colors)，列表被截断，即选用列表前N个颜色，后面的丢弃。
  • N > len(colors)，通过重复列表以扩展列表。
#本示例演示了参数 N 的用法

%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.colors

x= np.linspace(1, 12, 24, endpoint=True)
y=x/x

fig = plt.figure()
ax= plt.axes()
ax.set_ylim(0.6, 1.5)

# 将`[0, 1]`区间简单地分成 N 段
# 由于N>len(colors)，所以重复列表以扩展颜色列表
cmp = mpl.colors.ListedColormap(['C2','C5','C0','C8'],N=6)

# N<len(colors)，所以截断颜色列表
cmp2 = mpl.colors.ListedColormap(['C2','C5','C0','C8'],N=2)

#绘制散点图，用x值着色
#没有指定Norm，所以使用默认的`colors.Normalize`
#将x的值区间为 [1, 24]`映射（归一化）到`[0, 1]`区间
plt.scatter(x, x/x*1.1,s=120, marker='s', c=x, cmap=cmp)

plt.scatter(x, x/x*0.9,s=120, marker='s', c=x, cmap=cmp2)

plt.show()

Matplotlib配色之Colormap详解

colors.LinearSegmentedColormap()子类

class matplotlib.colors.LinearSegmentedColormap(name, segmentdata, N=256, gamma=1.0)

基于线性分段的查找表，从线性映射段创建颜色映射 Colormap 对象。

线性分段查找表是使用对每个原色进行线性插值生成的。

segmentdata参数就是这个线性分段查找表。

segmentdata是一个带'red'、‘green'、'blue'元素项的字典，即这个字典有三个keys：‘red'、‘green'、‘blue'。

每个健的值是一个列表，值列表的元素是形如： (x, y0, y1) 的元组，每个元组是列表的一行。

注意： ‘red'、‘green'、'blue'元素项不能少。

该字典中每个键的值列表的形式如下：

Matplotlib配色之Colormap详解

表中给定颜色的每一行都是形如 x, y0, y1 的元组，若干个元组构成列表。

在每个键的值序列中，x 必须从 0 到 1 单调增加。对于介于 x[i] 和 x[i+1] 之间的任何输入值 z, 给定颜色的输出值将在 y1[i] 和 *y0[i+1]*之间线性插值。

理解线性分段查找表segmentdata

colors.LinearSegmentedColormap()子类在[0,1]区间上每个点的颜色是由该点的'red'、‘green'、'blue'三原色的值混合确定；

segmentdata 参数以一个字典形式提供每一段三原色值；

每个原色在[0, 1]区间上可以分段，分几段由键值对中值列表的行数决定，分段的点则由元组(x, y0, y1)中的x值决定，如：

'red':  [(0.0, 0.0, 0.0),
     (0.4, 1.0, 1.0),
     (1.0, 1.0, 1.0)]

表示:

将[0, 1]区间分成两段，以 0.4 的位置为断点；
[0, 0.4]区间段内，'red'的值从 0.0 线性增加到 1.0；
[0.4, 1.0]区间段内，'red'的值保持 1.0 不变。

  • ‘green', 'blue'值依此类推；
  • 每个点的颜色则由三原色值混合而成。
#本示例演示 LinearSegmentedColormap 映射用法
#对数据分段，每一段的内部通过线性插值获得颜色值
#请注意比较与ListedColormap的不同

%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

x= np.linspace(1, 12, 24, endpoint=True)
y=x/x

fig = plt.figure()
ax= plt.axes()
ax.set_ylim(0.5,1.1)

# 在0.4位置设置断点，分为两段
# 从0.0到0.4之间的 red 值是从 1.0 到 0.0 线性插值生成的（即渐变的），即从红色到黑色
# green, blue的值从开始点到结束点都是零
# 从 0.4 到 1.0，则始终是红色

cdict1 = {'red':  [(0.0, 0.0, 1.0),
          (0.4, 0.0, 1.0),
          (1.0, 1.0, 1.0)],

     'green': [(0.0, 0.0, 0.0),
          (1.0, 0.0, 0.0)],

     'blue': [(0.0, 0.0, 0.0),
          (1.0, 0.0, 0.0)]}

#将断点设置在0.8的位置
cdict2 = {'red':  [(0.0, 0.0, 1.0),
          (0.8, 0.0, 1.0),
          (1.0, 1.0, 1.0)],

     'green': [(0.0, 0.0, 0.0),
          (1.0, 0.0, 0.0)],

     'blue': [(0.0, 0.0, 0.0),
          (1.0, 0.0, 0.0)]}


cmp1 = mpl.colors.LinearSegmentedColormap('name',cdict1)

cmp2 = mpl.colors.LinearSegmentedColormap('name',cdict2)


#绘制散点图，用x值着色
plt.scatter(x, x/x*0.9,s=120,marker='s',c=x,cmap=cmp1,edgecolor='black')

plt.scatter(x, x/x*0.7,s=120,marker='s',c=x,cmap=cmp2,edgecolor='black')

plt.show()

Matplotlib配色之Colormap详解

# 再看一个示例

%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

x= np.linspace(1, 12, 24, endpoint=True)
y=x/x

fig = plt.figure()
ax= plt.axes()

cdict = {'red':  [(0.0, 0.0, 0.2),
          (0.5, 1.0, 1.0),
          (1.0, 1.0, 1.0)],

     'green': [(0.0, 0.0, 0.5),
          (0.75, 1.0, 1.0),
          (1.0, 1.0, 1.0)],

     'blue': [(0.0, 0.0, 0.3),
          (0.25,0.0, 0.0 ),
          (0.5, 0.0, 0.0),
          (1.0, 1.0, 1.0)]}

cmp = mpl.colors.LinearSegmentedColormap('lsc',segmentdata=cdict)

#绘制散点图，用x值着色
plt.scatter(x, y,s=120,marker='s',c=x,cmap=cmp,edgecolor='black')

plt.show()

Matplotlib配色之Colormap详解

matplotlib.cm 模块

matplotlib.colors模块：

  • 用于构建一个[0, 1]的标量数据到颜色的映射，Colormap 实例;
  • 将实际数据归一化到[0, 1]区间，Normalize及其子类的实例。

有时我们还需要对上述实例进行一些处理，如将自定义的Colormap注册到matplotlib，后面通过其名称调用它；查询Colormap在某个数据归一化方法下各点的RGBA值。

matplotlib设计了cm模块，提供了：

  • 内置的颜色映射 colormap，将颜色名称映射到标准的颜色定义；
  • colormap 处理工具；
  • 如注册一个Colormap，通过名称获取一个Colormap；
  • ScalarMappable 混合类，这个混合类用以支持将标量数据映射到RGBA颜色。ScalarMappable 在从给定的colormap返回RGBA颜色之前使用数据归一化化。

cm模块设计了 1 个混合类，提供了17个函数方法。

其中有3个函数方法属于模块空间：

  • matplotlib.cm.get_cmap(name=None, lut=None)
  • matplotlib.cm.register_cmap(name=None, cmap=None, data=None, lut=None)
  • matplotlib.cm.revcmap(data)

有14个函数方法属于ScalarMappable类空间：

  • add_checker(self, checker)
  • autoscale(self)
  • autoscale_None(self)
  • changed(self)
  • check_update(self, checker)
  • get_alpha(self)
  • get_array(self)
  • get_clim(self)
  • get_cmap(self)
  • set_array(self, A)
  • set_clim(self, vmin=None, vmax=None)
  • set_cmap(self, cmap)
  • set_norm(self, norm)
  • to_rgba(self, x, alpha=None, bytes=False, norm=True)

class ScalarMappable

class matplotlib.cm.ScalarMappable(norm=None, cmap=None)

ScalarMappable混合类，用于支持标量数据到RGBA的映射。在从给定的colormap中返回RGBA颜色之前，ScalarMappable利用了数据归一化。

注： 使用了ScalarMappable实例的to_rgba()方法。

matplotlib.cm.ScalarMappable 类充分利用data->normalize->map-to-color处理链，以简化操作的步骤。

ScaplarMapable类以matplotlib.colors模块的 Normalize实例和Colormap实例为参数。

如果是norm = None, norm 默认为colors.Normalize对象。

Colormap 有三个来源：

  • 内置的；
  • 第三方的colormap库；
  • 自定义的。

如果为None，默认为rcParams.image.cmap中的设置。

matplotlib.colors 和 matplotlib.cm 模块的关系如下图所示：

Matplotlib配色之Colormap详解

%matplotlib inline
"text-align: center">Matplotlib配色之Colormap详解





#观察相同的cmap，不同的Norm，返回的RGBA值
norm1 = mpl.colors.LogNorm()
norm2 = mpl.colors.TwoSlopeNorm(0.4)

sm1 = mpl.cm.ScalarMappable(norm1, 'viridis')
sm2 = mpl.cm.ScalarMappable(norm2, 'viridis')





Matplotlib配色之Colormap详解




Matplotlib配色之Colormap详解





#观察相同的Norm, 不同的cmap，返回的RGBA值
norm = mpl.colors.LogNorm()

sm3 = mpl.cm.ScalarMappable(norm, 'viridis')
sm4 = mpl.cm.ScalarMappable(norm, 'magma')





Matplotlib配色之Colormap详解




Matplotlib配色之Colormap详解


再看一个实例





%matplotlib inline

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

iris_df = pd.read_csv('iris.csv',index_col='index_col')
iris_df.head()

petal_l = iris_df['PetalLength'].values
sepal_l = iris_df['SepalLength'].values

x = petal_l
y = sepal_l

fig = plt.figure()
ax= plt.axes()

#调用cm.get_cmap()方法，
#获取内置的名为'ocean'的olormap实例
cmp = plt.get_cmap('ocean')

#创建一个Normalize实例
norm = plt.Normalize(vmin=np.min(x),vmax=np.max(x))

#绘制散点图，用x值着色，
#使用norm对进行归一化，
#使用内置的'ocean'映射
plt.scatter(x, y,c=x,cmap=cmp,norm=norm)

plt.show()





Matplotlib配色之Colormap详解
广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
www.wwsws.com 伏龙阁资源网
39,976影音资源
44,792技术资源
21,817软件资源
651,128站长资源
一句话新闻
一口气升级7个大模型SaaS应用，百度智能云：突出一个“开箱即用” - 2024/12/24

这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。

一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。

另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。

稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！

昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。

这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。

而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？

更新日志

友情链接

杰晶网络 DDR爱好者之家 桃源资源网 杰网资源 富贵资源网 南强小屋 铁雪资源网 幽灵资源网 万梅资源网 狼山资源网 白云岛资源网 昆仑资源网 相思资源网 明霞山资源网 内蒙古资源网 黑松山资源网 茶园资源网 饿虎岗资源网 大旗谷资源网 常春岛资源网 岱庙资源网 兴国资源网 快活林资源网 蝙蝠岛资源网 帝王谷资源网 白云城资源网 伏龙阁资源网 清风细雨楼 天枫庄资源网 圆月山庄资源网 无争山庄资源网 神水资源网 移花宫资源网 神剑山庄资源网 无为清净楼资源网 金钱帮资源网 丐帮资源网 华山资源网 极乐门资源网 小李飞刀资源网 凤求凰客栈 风云阁资源网 金狮镖局 鸳鸯亭资源网 千金楼资源网 更多链接