Colormap如何在Matplotlib中使用

Colormap如何在Matplotlib中使用？針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

該數(shù)據(jù)集測量了 150 個樣本的 4 個特征，分別是：

• sepal length（花萼長度）

• sepal width（花萼寬度）

• petal length（花瓣長度）

• petal width（花瓣寬度）

以上四個特征的單位都是厘米（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')

#用花萼長度作為 x 值， 花萼寬度作為 y 值繪制散點圖
x = iris_df['PetalLength'].values
y = iris_df['SepalLength'].values

fig = plt.figure()
ax= plt.axes()

# 直接指定顏色
# 點的顏色都一樣，顏色不反映更多的信息
plt.scatter(x, y,c='g')

plt.show()

如果我們分析這個數(shù)據(jù)，圖中的點聚集成 3 個組，如下圖所示：

我們希望用點的顏色反映這種分組聚集的信息，可以這樣做：

• 定義一個三個顏色的列表為 colormap;

• 定義一個數(shù)據(jù)歸一化的實例，將希望關聯(lián)顏色的數(shù)據(jù)映射到[0, 1]區(qū)間；

• 使用 cmap, norm 實現(xiàn)圖表元素的分組配色。

%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()

#創(chuàng)建一個ListedColormap實例
#定義了[0, 1]區(qū)間的浮點數(shù)到顏色的映射規(guī)則
cmp = mpl.colors.ListedColormap(['r','g','b'])

# 創(chuàng)建一個BoundaryNorm實例
# BoundaryNorm是數(shù)據(jù)分組中數(shù)據(jù)歸一化比較好的方法
# 定義了變量值到 [0, 1]區(qū)間的映射規(guī)則，即數(shù)據(jù)歸一化
norm = mpl.colors.BoundaryNorm([0, 2, 6.4, 7], cmp.N)

#繪制散點圖，用x值著色，
#使用norm對變量值進行歸一化，
#使用自定義的ListedColormap顏色映射實例
#norm將變量x的值歸一化
#cmap將歸一化的數(shù)據(jù)映射到顏色
plt.scatter(x,y,c=x, cmap=cmp, norm=norm, alpha=0.7)

plt.show()

上圖就比較直觀地反映了數(shù)據(jù)的分組信息。

上面的示例使用了 colors 模塊中的主要功能，下面就詳細討論該模塊的架構。

maplotlib.colors 模塊

matplotlib.colors模塊的架構如下圖所示：

matplotlib.colors模塊定義了11個類，定義了10個模塊命名空間的方法。

matplotlib.colors模塊的主要功能就是將數(shù)字或顏色參數(shù)轉換為RGB或RGBA。

RGB和RGBA分別是0-1范圍內3個或4個浮點數(shù)的序列。參見上一篇 matplotlib 顏色定義格式規(guī)范中的相關內容。

此模塊包括：

用于將數(shù)字歸一化的類和方法，即將列表中的數(shù)據(jù)映射到 [0,1]區(qū)間的浮點數(shù)；

用于將歸范化后的數(shù)字映射到一維數(shù)組中的顏色，稱之為 colormap。

理解 matplotlib.colors 模塊的工作

• 構建一個[0,1] 或 [0, 255]區(qū)間，該區(qū)間上有256個點；請想像把這256個點從左到右排列成一個長條；

• 通過Normalize類（或者它的子類，映射方法不同）將數(shù)據(jù)映射到這個區(qū)間，比如上例中'PetalLength'數(shù)據(jù)區(qū)間是[1.0, 6.9], 就將區(qū)間[1.0, 6.9]映射到[0, 1]; 上例中定義了一個BoundaryNorm實例；

• 構建一個colormap（通常是它的子類）實例，該實例是一個顏色名稱列表，或者浮點數(shù)數(shù)組表示的RGB值；

• 這個顏色列表依次排列在[0, 1]這個區(qū)間的256個點上，但每個顏色（colormap中列出的顏色）占用的位置和區(qū)間則由Normalize指定；上例中定義一個cmp = mpl.colors.ListedColormap(['r','g','b'])，列出了3種顏色；

• 如果沒有定義colormap，則默認使用rc image.cmap中的設置；

• 如果不指定Normalize，則默認使用colors.Normalize。

 matplotlib.Colormap類及其子類

matplotlib.colors模塊的Colormap類是一個基類，提供了將[0, 1]的數(shù)據(jù)映射到顏色的一些屬性和方法供其子類使用，很少直接使用該基類，主要使用它的兩個子類：

• ListedColrmap()

• LinearSegmentedColormap()

這兩個子類就是兩種不同的映射方法。

colors.ListedColormap()子類

ListedColormap()類從顏色列表生成一個colormap。

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

**colors**參數(shù)有兩種形式：

• matplotlib 接受的規(guī)范的顏色列表，如['r', 'g', 'b'], 或['C0', 'C3', 'C7']，等，詳見基礎篇；

• 用[0, 1]區(qū)間的浮點數(shù)表示的RGB （N3）或 RGBA （N4)的數(shù)組，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']為例：

就是將[0, 1]區(qū)間劃分為三段，第一段映射為'r'色，第二段映射為'g'色，第三段映射為'b'色。

請看下面的示例：

#本示例演示對散點條分段著不同顏色

%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()

# 將`[0, 1]`區(qū)間簡單地分成四段，依次映射為列表`['r','g','b','y']`中列出的顏色
cmp = mpl.colors.ListedColormap(['r','g','b','y'])

#繪制散點圖，用x值著色
#沒有指定Norm，所以使用默認的`colors.Normalize`
#將x的值區(qū)間為 [1, 24]`映射（歸一化）到`[0, 1]`區(qū)間
plt.scatter(x, y,s=120, marker='s', c=x, cmap=cmp)

plt.show()

參數(shù) Name

可選參數(shù)。

給自定義的Colormap命名，將這個Colormap注冊到matplotlib，后面即可以通過名稱來反復調用該colormap。

參數(shù) N

可選參數(shù)。

從列表中的顏色輸入到映射的顏色數(shù)量。默認為None，即列表中的每個顏色都作為一項輸入到映射中。簡單地說，就是選用列表中的顏色數(shù)量。如果

• N < len(colors)，列表被截斷，即選用列表前N個顏色，后面的丟棄。

• N > len(colors)，通過重復列表以擴展列表。

#本示例演示了參數(shù) 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)

# 將`[0, 1]`區(qū)間簡單地分成 N 段
# 由于N>len(colors)，所以重復列表以擴展顏色列表
cmp = mpl.colors.ListedColormap(['C2','C5','C0','C8'],N=6)

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

#繪制散點圖，用x值著色
#沒有指定Norm，所以使用默認的`colors.Normalize`
#將x的值區(qū)間為 [1, 24]`映射（歸一化）到`[0, 1]`區(qū)間
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()

colors.LinearSegmentedColormap()子類

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

基于線性分段的查找表，從線性映射段創(chuàng)建顏色映射 Colormap 對象。

線性分段查找表是使用對每個原色進行線性插值生成的。

segmentdata參數(shù)就是這個線性分段查找表。

segmentdata是一個帶'red'、‘green'、'blue'元素項的字典，即這個字典有三個keys：‘red'、‘green'、‘blue'。

每個健的值是一個列表，值列表的元素是形如： (x, y0, y1) 的元組，每個元組是列表的一行。

注意： ‘red'、‘green'、'blue'元素項不能少。

該字典中每個鍵的值列表的形式如下：

表中給定顏色的每一行都是形如 x, y0, y1 的元組，若干個元組構成列表。

在每個鍵的值序列中，x 必須從 0 到 1 單調增加。對于介于 x[i] 和 x[i+1] 之間的任何輸入值 z, 給定顏色的輸出值將在 y1[i] 和 *y0[i+1]*之間線性插值。

理解線性分段查找表segmentdata

colors.LinearSegmentedColormap()子類在[0,1]區(qū)間上每個點的顏色是由該點的'red'、‘green'、'blue'三原色的值混合確定；

segmentdata 參數(shù)以一個字典形式提供每一段三原色值；

每個原色在[0, 1]區(qū)間上可以分段，分幾段由鍵值對中值列表的行數(shù)決定，分段的點則由元組(x, y0, y1)中的x值決定，如：

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

表示:

將[0, 1]區(qū)間分成兩段，以 0.4 的位置為斷點；
[0, 0.4]區(qū)間段內，'red'的值從 0.0 線性增加到 1.0；
[0.4, 1.0]區(qū)間段內，'red'的值保持 1.0 不變。

• ‘green', 'blue'值依此類推；

• 每個點的顏色則由三原色值混合而成。

#本示例演示 LinearSegmentedColormap 映射用法
#對數(shù)據(jù)分段，每一段的內部通過線性插值獲得顏色值
#請注意比較與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位置設置斷點，分為兩段
# 從0.0到0.4之間的 red 值是從 1.0 到 0.0 線性插值生成的（即漸變的），即從紅色到黑色
# green, blue的值從開始點到結束點都是零
# 從 0.4 到 1.0，則始終是紅色

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)]}

#將斷點設置在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)


#繪制散點圖，用x值著色
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()

# 再看一個示例

%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)

#繪制散點圖，用x值著色
plt.scatter(x, y,s=120,marker='s',c=x,cmap=cmp,edgecolor='black')

plt.show()

matplotlib.cm 模塊

matplotlib.colors模塊：

• 用于構建一個[0, 1]的標量數(shù)據(jù)到顏色的映射，Colormap 實例;

• 將實際數(shù)據(jù)歸一化到[0, 1]區(qū)間，Normalize及其子類的實例。

有時我們還需要對上述實例進行一些處理，如將自定義的Colormap注冊到matplotlib，后面通過其名稱調用它；查詢Colormap在某個數(shù)據(jù)歸一化方法下各點的RGBA值。

matplotlib設計了cm模塊，提供了：

• 內置的顏色映射 colormap，將顏色名稱映射到標準的顏色定義；

• colormap 處理工具；

• 如注冊一個Colormap，通過名稱獲取一個Colormap；

• ScalarMappable 混合類，這個混合類用以支持將標量數(shù)據(jù)映射到RGBA顏色。ScalarMappable 在從給定的colormap返回RGBA顏色之前使用數(shù)據(jù)歸一化化。

cm模塊設計了 1 個混合類，提供了17個函數(shù)方法。

其中有3個函數(shù)方法屬于模塊空間：

• 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個函數(shù)方法屬于ScalarMappable類空間：

• 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混合類，用于支持標量數(shù)據(jù)到RGBA的映射。在從給定的colormap中返回RGBA顏色之前，ScalarMappable利用了數(shù)據(jù)歸一化。

注： 使用了ScalarMappable實例的to_rgba()方法。

matplotlib.cm.ScalarMappable 類充分利用data->normalize->map-to-color處理鏈，以簡化操作的步驟。

ScaplarMapable類以matplotlib.colors模塊的 Normalize實例和Colormap實例為參數(shù)。

如果是norm = None, norm 默認為colors.Normalize對象。

Colormap 有三個來源：

• 內置的；

• 第三方的colormap庫；

• 自定義的。

如果為None，默認為rcParams.image.cmap中的設置。

matplotlib.colors 和 matplotlib.cm 模塊的關系如下圖所示：

%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(0.8, 1.2)

#傳遞不同的cmap
#繪制散點圖，用x值著色
plt.scatter(x, y*1.05,s=120, marker='s',c=x, cmap='viridis')
plt.scatter(x, y*0.95,s=120, marker='s',c=x, cmap='magma')

plt.show()

#觀察相同的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')

#觀察相同的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')

再看一個實例

%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()

#調用cm.get_cmap()方法，
#獲取內置的名為'ocean'的olormap實例
cmp = plt.get_cmap('ocean')

#創(chuàng)建一個Normalize實例
norm = plt.Normalize(vmin=np.min(x),vmax=np.max(x))

#繪制散點圖，用x值著色，
#使用norm對進行歸一化，
#使用內置的'ocean'映射
plt.scatter(x, y,c=x,cmap=cmp,norm=norm)

plt.show()

關于Colormap如何在Matplotlib中使用問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業(yè)資訊頻道了解更多相關知識。