Matplotlib 简明教程

Matplotlib - Choosing Colormaps

Colormap 也被称为调色板，是一系列颜色，代表了一系列连续的值。它允许您通过颜色的变化有效地表示信息。

请参阅下列图片，其中引用了一些 matplotlib 中的内置 colormaps：

choosing colormaps input

Matplotlib 提供了各种内置 colormaps（可以在 matplotlib.colormaps 模块中找到）和第三方 colormaps 以用于各种应用程序。

Choosing Colormaps in Matplotlib

选择合适的 colormap 涉及为你的数据集在 3D 颜色空间中找到合适的表示方式。

选择任何给定数据集的适用 colormap 的因素包括：

  1. Nature of Data − 表示形式数据还是度量数据

  2. Knowledge of the Dataset − 理解数据集的特点。

  3. Intuitive Color Scheme − 考虑是否有针对要绘制的参数的直观配色方案。

  4. Field Standards − 考虑是否有受众可能期望的行业标准。

对于大多数应用程序，建议使用感知一致的 colormap，确保数据中的相等步长在颜色空间中被感知为相等步长。这改进了人脑解释，特别是当明度变化比色调变化更明显时。

Categories of Colormaps

Colormaps 根据其功能分类：

  1. Sequential − 明度和饱和度的逐步变化，通常使用单色调。适合表示有序的信息。

  2. Diverging − 两色的明度和饱和度变化，在非饱和色处相交。非常适合具有临界中间值的数据，例如地形或围绕零点偏离的数据。

  3. Cyclic − 两种颜色的明度变化，在中间相遇，并在非饱和色处开始/结束。适合在端点环绕值的情况，例如相位角或一天中的时间。

  4. Qualitative − 不带特定顺序的杂色。用于表示无顺序或关系的信息。

Sequential Colormaps

顺序色图显示出在色图中递增的明度值。这种特性确保了色差感知的平滑过渡，使其适合表示有序信息。然而，值得注意的是，根据它们跨越的值的范围，色图之间的知觉范围可能有所不同。

让我们通过可视化渐变并了解其明度值如何演变来探索顺序色图。

以下示例提供了 Matplotlib 中可用的不同 Sequential 色图的渐变的可视表示。

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

# List of Sequential colormaps to visualize
cmap_list = ['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
   'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
   'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']

# Plot the color gradients

gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))

# Create figure and adjust figure height to the number of colormaps
nrows = len(cmap_list)
figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
fig, axs = plt.subplots(nrows=nrows + 1, figsize=(7, figh))
fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
   left=0.2, right=0.99)
axs[0].set_title('Sequential colormaps', fontsize=14)

for ax, name in zip(axs, cmap_list):
   ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
   ax.text(-0.1, 0.5, name, va='center', ha='right', fontsize=10,
      transform=ax.transAxes)

# Turn off all ticks & spines, not just the ones with colormaps.
for ax in axs:
   ax.set_axis_off()

# Show the plot
plt.show()

执行上述代码，我们将得到以下输出 −

choosing colormaps ex1

Diverging Colormaps

分歧色图的特点是明度值先单调递增，然后再递减，最大明度接近于中性中点。

以下示例提供了 Matplotlib 中可用的不同分歧色图的渐变的可视表示。

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

# List of Diverging colormaps to visualize
cmap_list = ['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu', 'RdYlBu',
   'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']

# Plot the color gradients
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))

# Create figure and adjust figure height to the number of colormaps
nrows = len(cmap_list)
figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
fig, axs = plt.subplots(nrows=nrows + 1, figsize=(7, figh))
fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
   left=0.2, right=0.99)
axs[0].set_title('Diverging colormaps', fontsize=14)

for ax, name in zip(axs, cmap_list):
   ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
   ax.text(-0.1, 0.5, name, va='center', ha='left', fontsize=10,
      transform=ax.transAxes)

# Turn off all ticks & spines, not just the ones with colormaps.
for ax in axs:
   ax.set_axis_off()

# Show the plot
plt.show()

执行上述代码，我们将得到以下输出 −

choosing colormaps ex2

Cyclic Colormaps

循环色图呈现出一种独特的设计，其中色图在同一种颜色上开始和结束，在对称中心点相遇。明度值的进展应从开始到中间单调变化，从中间到结束逆向变化。

在以下示例中，您可以探索和可视化 Matplotlib 中可用的各种循环色图。

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

# List of Cyclic colormaps to visualize
cmap_list = ['twilight', 'twilight_shifted', 'hsv']

# Plot the color gradients
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))

# Create figure and adjust figure height to the number of colormaps
nrows = len(cmap_list)
figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
fig, axs = plt.subplots(nrows=nrows + 1, figsize=(7, figh))
fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
   left=0.2, right=0.99)
axs[0].set_title('Cyclic colormaps', fontsize=14)

for ax, name in zip(axs, cmap_list):
   ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
   ax.text(-0.1, 0.5, name, va='center', ha='left', fontsize=10,
      transform=ax.transAxes)

# Turn off all ticks & spines, not just the ones with colormaps.
for ax in axs:
   ax.set_axis_off()

# Show the plot
plt.show()

执行上述代码，我们将得到以下输出 −

choosing colormaps ex3

Qualitative colormaps

定性色图不同于知觉图，因为它们并非设计为提供知觉一致性，而是旨在表示不具有顺序或关系的信息。整个色图中的明度值差异很大，并且不会单调递增。因此，不建议将定性色图用作知觉色图。

以下示例提供了 Matplotlib 中可用的不同定性色图的可视表示。

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

# List of Qualitative colormaps to visualize
cmap_list = ['Pastel1', 'Pastel2', 'Paired', 'Accent', 'Dark2',
   'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b', 'tab20c']

# Plot the color gradients
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))

# Create figure and adjust figure height to the number of colormaps
nrows = len(cmap_list)
figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
fig, axs = plt.subplots(nrows=nrows + 1, figsize=(7, figh))
fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
   left=0.2, right=0.99)
axs[0].set_title('Qualitative colormaps', fontsize=14)

for ax, name in zip(axs, cmap_list):
   ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
   ax.text(-0.1, 0.5, name, va='center', ha='left', fontsize=10,
      transform=ax.transAxes)

# Turn off all ticks & spines, not just the ones with colormaps.
for ax in axs:
   ax.set_axis_off()

# Show the plot
plt.show()

执行上述代码，我们将得到以下输出 −

choosing colormaps ex4