概述

上一篇詳細(xì)介紹了 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(shí)我們希望圖表元素的顏色與數(shù)據(jù)集中某個(gè)變量的值相關(guān)，顏色隨著該變量值的變化而變化，以反映數(shù)據(jù)變化趨勢(shì)、數(shù)據(jù)的聚集、分析者對(duì)數(shù)據(jù)的理解等信息，這時(shí)，我們就要用到 matplotlib 的顏色映射（colormap）功能，即將數(shù)據(jù)映射到顏色。

要實(shí)現(xiàn)數(shù)據(jù)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(qū)間的浮點(diǎn)數(shù)表示顏色RGB值，首先需要將不同的變量值映射到[0, 1]區(qū)間；
• 將映射[0, 1]區(qū)間的變量值映射到顏色。

matplotlib.colors 模塊是實(shí)現(xiàn) colormap 配色功能的核心模塊。

• 該模塊的Normalize()類(lèi)及其子類(lèi)完成第1個(gè)任務(wù)；
• 該模塊的colormap類(lèi)及其子類(lèi)完成第2個(gè)任務(wù)。

將上述兩個(gè)類(lèi)的實(shí)例，即：

• 定義變量數(shù)據(jù)映射到[0, 1]區(qū)間的規(guī)則；
• 和[0, 1]映射到顏色的規(guī)則。

作為參數(shù)傳遞給繪圖函數(shù)，即可實(shí)現(xiàn)顏色反映變量數(shù)據(jù)屬性的目的。參見(jiàn)下面的入門(mén)示例。

入門(mén)示例

我們先看一個(gè)示例，簡(jiǎn)單、直觀地了解 matplotlib.colors模塊的工作原理。

使用有名的 Iris Data Set（鳶尾屬植物數(shù)據(jù)集）中的數(shù)據(jù)來(lái)演示圖表的繪制和配置，這樣更接近實(shí)際的應(yīng)用?？梢缘絈Q群：457079928中下載這個(gè)數(shù)據(jù)集iris.csv。

Iris 數(shù)據(jù)集首次出現(xiàn)在著名的英國(guó)統(tǒng)計(jì)學(xué)家和生物學(xué)家Ronald Fisher 1936年的論文《The use of multiple measurements in taxonomic problems》中，被用來(lái)介紹線(xiàn)性判別式分析。

在這個(gè)數(shù)據(jù)集中，包括了三類(lèi)不同的鳶尾屬植物：Iris Setosa，Iris Versicolour，Iris Virginica。每類(lèi)收集了50個(gè)樣本，因此這個(gè)數(shù)據(jù)集一共包含了150個(gè)樣本。

該數(shù)據(jù)集測(cè)量了 150 個(gè)樣本的 4 個(gè)特征，分別是：

• sepal length（花萼長(zhǎng)度）
• sepal width（花萼寬度）
• petal length（花瓣長(zhǎng)度）
• petal width（花瓣寬度）

以上四個(gè)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(zhǎng)度作為 x 值， 花萼寬度作為 y 值繪制散點(diǎn)圖
x = iris_df['PetalLength'].values
y = iris_df['SepalLength'].values

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

# 直接指定顏色
# 點(diǎn)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(gè)數(shù)據(jù)，圖中的點(diǎn)聚集成 3 個(gè)組，如下圖所示：

我們希望用點(diǎn)的顏色反映這種分組聚集的信息，可以這樣做：

• 定義一個(gè)三個(gè)顏色的列表為 colormap;
• 定義一個(gè)數(shù)據(jù)歸一化的實(shí)例，將希望關(guān)聯(lián)顏色的數(shù)據(jù)映射到[0, 1]區(qū)間；
• 使用 cmap, norm 實(shí)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(gè)ListedColormap實(shí)例
#定義了[0, 1]區(qū)間的浮點(diǎn)數(shù)到顏色的映射規(guī)則
cmp = mpl.colors.ListedColormap(['r','g','b'])

# 創(chuàng)建一個(gè)BoundaryNorm實(shí)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(diǎn)圖，用x值著色，
#使用norm對(duì)變量值進(jìn)行歸一化，
#使用自定義的ListedColormap顏色映射實(shí)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(xì)討論該模塊的架構(gòu)。

maplotlib.colors 模塊

matplotlib.colors模塊的架構(gòu)如下圖所示：

matplotlib.colors模塊定義了11個(gè)類(lèi)，定義了10個(gè)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(zhuǎn)換為RGB或RGBA。

RGB和RGBA分別是0-1范圍內(nèi)3個(gè)或4個(gè)浮點(diǎn)數(shù)的序列。參見(jiàn)上一篇 matplotlib 顏色定義格式規(guī)范中的相關(guān)內(nèi)容。

此模塊包括：

用于將數(shù)字歸一化的類(lèi)和方法，即將列表中的數(shù)據(jù)映射到 [0,1]區(qū)間的浮點(diǎn)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(chēng)之為 colormap。

理解 matplotlib.colors 模塊的工作

• 構(gòu)建一個(gè)[0,1] 或 [0, 255]區(qū)間，該區(qū)間上有256個(gè)點(diǎn)；請(qǐng)想像把這256個(gè)點(diǎn)從左到右排列成一個(gè)長(zhǎng)條；
• 通過(guò)Normalize類(lèi)（或者它的子類(lèi)，映射方法不同）將數(shù)據(jù)映射到這個(gè)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(gè)BoundaryNorm實(shí)例；
• 構(gòu)建一個(gè)colormap（通常是它的子類(lèi)）實(shí)例，該實(shí)例是一個(gè)顏色名稱(chēng)列表，或者浮點(diǎn)數(shù)數(shù)組表示的RGB值；
• 這個(gè)顏色列表依次排列在[0, 1]這個(gè)區(qū)間的256個(gè)點(diǎn)上，但每個(gè)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(gè)cmp = mpl.colors.ListedColormap(['r','g','b'])，列出了3種顏色；
• 如果沒(méi)有定義colormap，則默認(rèn)使用rc image.cmap中的設(shè)置；
• 如果不指定Normalize，則默認(rèn)使用colors.Normalize。

 matplotlib.Colormap類(lèi)及其子類(lèi)

matplotlib.colors模塊的Colormap類(lèi)是一個(gè)基類(lèi)，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(lèi)使用，很少直接使用該基類(lèi)，主要使用它的兩個(gè)子類(lèi)：

• ListedColrmap()
• LinearSegmentedColormap()

這兩個(gè)子類(lèi)就是兩種不同的映射方法。

colors.ListedColormap()子類(lèi)

ListedColormap()類(lèi)從顏色列表生成一個(gè)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(jiàn)基礎(chǔ)篇；
• 用[0, 1]區(qū)間的浮點(diǎn)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(qǐng)看下面的示例：

#本示例演示對(duì)散點(diǎn)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(jiǎn)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(diǎn)圖，用x值著色
#沒(méi)有指定Norm，所以使用默認(rèn)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(gè)Colormap注冊(cè)到matplotlib，后面即可以通過(guò)名稱(chēng)來(lái)反復(fù)調(diào)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(rèn)為None，即列表中的每個(gè)顏色都作為一項(xiàng)輸入到映射中。簡(jiǎn)單地說(shuō)，就是選用列表中的顏色數(shù)量。如果

• N < len(colors)，列表被截?cái)啵催x用列表前N個(gè)顏色，后面的丟棄。
• N > len(colors)，通過(guò)重復(fù)列表以擴(kuò)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(jiǎn)單地分成 N 段
# 由于N>len(colors)，所以重復(fù)列表以擴(kuò)展顏色列表
cmp = mpl.colors.ListedColormap(['C2','C5','C0','C8'],N=6)

# N<len(colors)，所以截?cái)囝伾斜?
cmp2 = mpl.colors.ListedColormap(['C2','C5','C0','C8'],N=2)

#繪制散點(diǎn)圖，用x值著色
#沒(méi)有指定Norm，所以使用默認(rèn)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(lèi)

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

基于線(xiàn)性分段的查找表，從線(xiàn)性映射段創(chuàng)建顏色映射 Colormap 對(duì)象。

線(xiàn)性分段查找表是使用對(duì)每個(gè)原色進(jìn)行線(xiàn)性插值生成的。

segmentdata參數(shù)就是這個(gè)線(xiàn)性分段查找表。

segmentdata是一個(gè)帶'red'、‘green'、'blue'元素項(xiàng)的字典，即這個(gè)字典有三個(gè)keys：‘red'、‘green'、‘blue'。

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

注意： ‘red'、‘green'、'blue'元素項(xiàng)不能少。

該字典中每個(gè)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(gè)元組構(gòu)成列表。

在每個(gè)鍵的值序列中，x 必須從 0 到 1 單調(diào)增加。對(duì)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(xiàn)性插值。

理解線(xiàn)性分段查找表segmentdata

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

segmentdata 參數(shù)以一個(gè)字典形式提供每一段三原色值；

每個(gè)原色在[0, 1]區(qū)間上可以分段，分幾段由鍵值對(duì)中值列表的行數(shù)決定，分段的點(diǎn)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(diǎn)；
[0, 0.4]區(qū)間段內(nèi)，'red'的值從 0.0 線(xiàn)性增加到 1.0；
[0.4, 1.0]區(qū)間段內(nèi)，'red'的值保持 1.0 不變。

• ‘green', 'blue'值依此類(lèi)推；
• 每個(gè)點(diǎn)的顏色則由三原色值混合而成。

#本示例演示 LinearSegmentedColormap 映射用法
#對(duì)數(shù)據(jù)分段，每一段的內(nèi)部通過(guò)線(xiàn)性插值獲得顏色值
#請(qǐng)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(shè)置斷點(diǎn)，分為兩段
# 從0.0到0.4之間的 red 值是從 1.0 到 0.0 線(xiàn)性插值生成的（即漸變的），即從紅色到黑色
# green, blue的值從開(kāi)始點(diǎn)到結(jié)束點(diǎn)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(diǎn)設(shè)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(diǎn)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(gè)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(diǎn)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(gòu)建一個(gè)[0, 1]的標(biāo)量數(shù)據(jù)到顏色的映射，Colormap 實(shí)例;
• 將實(shí)際數(shù)據(jù)歸一化到[0, 1]區(qū)間，Normalize及其子類(lèi)的實(shí)例。

有時(shí)我們還需要對(duì)上述實(shí)例進(jìn)行一些處理，如將自定義的Colormap注冊(cè)到matplotlib，后面通過(guò)其名稱(chēng)調(diào)用它；查詢(xún)Colormap在某個(gè)數(shù)據(jù)歸一化方法下各點(diǎn)的RGBA值。

matplotlib設(shè)計(jì)了cm模塊，提供了：

• 內(nèi)置的顏色映射 colormap，將顏色名稱(chēng)映射到標(biāo)準(zhǔn)的顏色定義；
• colormap 處理工具；
• 如注冊(cè)一個(gè)Colormap，通過(guò)名稱(chēng)獲取一個(gè)Colormap；
• ScalarMappable 混合類(lèi)，這個(gè)混合類(lèi)用以支持將標(biāo)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(shè)計(jì)了 1 個(gè)混合類(lèi)，提供了17個(gè)函數(shù)方法。

其中有3個(gè)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(gè)函數(shù)方法屬于ScalarMappable類(lèi)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(lèi)，用于支持標(biāo)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(shí)例的to_rgba()方法。

matplotlib.cm.ScalarMappable 類(lèi)充分利用data->normalize->map-to-color處理鏈，以簡(jiǎn)化操作的步驟。

ScaplarMapable類(lèi)以matplotlib.colors模塊的 Normalize實(shí)例和Colormap實(shí)例為參數(shù)。

如果是norm = None, norm 默認(rèn)為colors.Normalize對(duì)象。

Colormap 有三個(gè)來(lái)源：

• 內(nèi)置的；
• 第三方的colormap庫(kù)；
• 自定義的。

如果為None，默認(rèn)為rcParams.image.cmap中的設(shè)置。

matplotlib.colors 和 matplotlib.cm 模塊的關(guān)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(diǎn)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(gè)實(shí)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(diào)用cm.get_cmap()方法，
#獲取內(nèi)置的名為'ocean'的olormap實(shí)例
cmp = plt.get_cmap('ocean')

#創(chuàng)建一個(gè)Normalize實(shí)例
norm = plt.Normalize(vmin=np.min(x),vmax=np.max(x))

#繪制散點(diǎn)圖，用x值著色，
#使用norm對(duì)進(jìn)行歸一化，
#使用內(nèi)置的'ocean'映射
plt.scatter(x, y,c=x,cmap=cmp,norm=norm)

plt.show()

到此這篇關(guān)于Matplotlib配色之Colormap詳解的文章就介紹到這了,更多相關(guān)Matplotlib Colormap內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！