Matplotlib配色之Colormap詳解

Posted on 2021-01-052021-01-05 by WalkonNet

概述

上一篇詳細介紹瞭 matplotlib 直接使用”格式化的顏色定義”給圖表元素配色。如，直接指定 axes.plot 繪制的 Line2D 的顏色 fmt = 'r'。

有時我們希望圖表元素的顏色與數據集中某個變量的值相關，顏色隨著該變量值的變化而變化，以反映數據變化趨勢、數據的聚集、分析者對數據的理解等信息，這時，我們就要用到 matplotlib 的顏色映射（colormap）功能，即將數據映射到顏色。

要實現數據到顏色的映射需要做兩件事：

變量值的變化范圍很大，matplotlib用 [0, 1] 區間的浮點數表示顏色RGB值，首先需要將不同的變量值映射到[0, 1]區間；
將映射[0, 1]區間的變量值映射到顏色。

matplotlib.colors 模塊是實現 colormap 配色功能的核心模塊。

該模塊的Normalize()類及其子類完成第1個任務；
該模塊的colormap類及其子類完成第2個任務。

將上述兩個類的實例，即：

定義變量數據映射到[0, 1]區間的規則；
和[0, 1]映射到顏色的規則。

作為參數傳遞給繪圖函數，即可實現顏色反映變量數據屬性的目的。參見下面的入門示例。

入門示例

我們先看一個示例，簡單、直觀地瞭解 matplotlib.colors模塊的工作原理。

使用有名的 Iris Data Set（鳶尾屬植物數據集）中的數據來演示圖表的繪制和配置，這樣更接近實際的應用。可以到QQ群：457079928中下載這個數據集iris.csv。

Iris 數據集首次出現在著名的英國統計學傢和生物學傢Ronald Fisher 1936年的論文《The use of multiple measurements in taxonomic problems》中，被用來介紹線性判別式分析。

在這個數據集中，包括瞭三類不同的鳶尾屬植物：Iris Setosa，Iris Versicolour，Iris Virginica。每類收集瞭50個樣本，因此這個數據集一共包含瞭150個樣本。

該數據集測量瞭 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()

在這裡插入圖片描述

如果我們分析這個數據，圖中的點聚集成 3 個組，如下圖所示：

在這裡插入圖片描述

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;
定義一個數據歸一化的實例，將希望關聯顏色的數據映射到[0, 1]區間；
使用 cmap, norm 實現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()

#創建一個ListedColormap實例
#定義瞭[0, 1]區間的浮點數到顏色的映射規則
cmp = mpl.colors.ListedColormap(['r','g','b'])

# 創建一個BoundaryNorm實例
# BoundaryNorm是數據分組中數據歸一化比較好的方法
# 定義瞭變量值到 [0, 1]區間的映射規則，即數據歸一化
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將歸一化的數據映射到顏色
plt.scatter(x,y,c=x, cmap=cmp, norm=norm, alpha=0.7)

plt.show()

在這裡插入圖片描述

上圖就比較直觀地反映瞭數據的分組信息。

上面的示例使用瞭 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：

在這裡插入圖片描述

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

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

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

此模塊包括：

用於將數字歸一化的類和方法，即將列表中的數據映射到 [0,1]區間的浮點數；

用於將歸范化後的數字映射到一維數組中的顏色，稱之為 colormap。

理解 matplotlib.colors 模塊的工作

構建一個[0,1] 或 [0, 255]區間，該區間上有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）將數據映射到這個區間，比如上例中’PetalLength’數據區間是[1.0, 6.9], 就將區間[1.0, 6.9]映射到[0, 1]; 上例中定義瞭一個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，或者浮點數數組表示的RGB值；
這個顏色列表依次排列在[0, 1]這個區間的256個點上，但每個顏色（colormap中列出的顏色）占用的位置和區間則由Normalize指定；上例中定義一個cmp = mpl.colors.ListedColormap(['r','g','b'])，列出瞭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，提供瞭將[0, 1]的數據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**參數有兩種形式：

matplotlib 接受的規范的顏色列表，如['r', 'g', 'b'], 或['C0', 'C3', 'C7']，等，詳見基礎篇；
用[0, 1]區間的浮點數表示的RGB （N3）或 RGBA （N4)的數組，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的值區間為 [1, 24]`映射（歸一化）到`[0, 1]`區間
plt.scatter(x, y,s=120, marker='s', c=x, cmap=cmp)

plt.show()

在這裡插入圖片描述

參數 Name

可選參數。

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

參數 N

可選參數。

從列表中的顏色輸入到映射的顏色數量。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量。如果

N < len(colors)，列表被截斷，即選用列表前N個顏色，後面的丟棄。
N > len(colors)，通過重復列表以擴展列表。

#本示例演示瞭參數 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]`區間簡單地分成 N 段
# 由於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的值區間為 [1, 24]`映射（歸一化）到`[0, 1]`區間
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()

在這裡插入圖片描述

colors.LinearSegmentedColormap()子類

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

基於線性分段的查找表，從線性映射段創建顏色映射 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。

註意： ‘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：

在這裡插入圖片描述

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

在每個鍵的值序列中，x 必須從 0 到 1 單調增加。對於介於 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 參數以一個字典形式提供每一段三原色值；

每個原色在[0, 1]區間上可以分段，分幾段由鍵值對中值列表的行數決定，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]區間分成兩段，以 0.4 的位置為斷點；
[0, 0.4]區間段內，’red’的值從 0.0 線性增加到 1.0；
[0.4, 1.0]區間段內，’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
#對數據分段，每一段的內部通過線性插值獲得顏色值
#請註意比較與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()

在這裡插入圖片描述

# 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()

在這裡插入圖片描述

matplotlib.cm 模塊

matplotlib.colors模塊：

用於構建一個[0, 1]的標量數據到顏色的映射，Colormap 實例;
將實際數據歸一化到[0, 1]區間，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註冊到matplotlib，後面通過其名稱調用它；查詢Colormap在某個數據歸一化方法下各點的RGBA值。

matplotlib設計瞭cm模塊，提供瞭：

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；
如註冊一個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據映射到RGBA顏色。ScalarMappable 在從給定的colormap返回RGBA顏色之前使用數據歸一化化。

cm模塊設計瞭 1 個混合類，提供瞭17個函數方法。

其中有3個函數方法屬於模塊空間：

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個函數方法屬於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，用於支持標量數據到RGBA的映射。在從給定的colormap中返回RGBA顏色之前，ScalarMappable利用瞭數據歸一化。

註：使用瞭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。

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：

在這裡插入圖片描述

%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()

在這裡插入圖片描述

#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')

在這裡插入圖片描述

#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')

在這裡插入圖片描述

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()

在這裡插入圖片描述

到此這篇關於Matplotlib配色之Colormap詳解的文章就介紹到這瞭,更多相關Matplotlib Colormap內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

Matplotlib配色之Colormap詳解

概述

入門示例

maplotlib.colors 模塊

理解 matplotlib.colors 模塊的工作

matplotlib.Colormap類及其子類

colors.ListedColormap()子類

colors.LinearSegmentedColormap()子類

理解線性分段查找表segmentdata

matplotlib.cm 模塊

推薦閱讀：

發佈留言取消回覆

近期文章

概述

入門示例

maplotlib.colors 模塊

理解 matplotlib.colors 模塊的工作

matplotlib.Colormap類及其子類

colors.ListedColormap()子類

colors.LinearSegmentedColormap()子類

理解線性分段查找表segmentdata

matplotlib.cm 模塊

推薦閱讀：

發佈留言 取消回覆

近期文章

標籤

發佈留言取消回覆