[Python3] Matplotlib —— (八) 配置颜色条

[ Matplotlib version: 3.2.1 ]

九、配置颜色条

图例通过离散的标签标示离散的图形元素，然而，对于图形中由彩色的点、线、面构成的连续标签，用颜色条来表示的效果比较好。

在Matplotlib中，颜色条是一条独立的坐标轴，可以指明图形中颜色的含义。

通过colorbar()函数可以创建最简单的颜色条

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('classic')
%matplotlib inline

# 简易颜色条图例
x = np.linspace(0, 10, 1000)
I = np.sin(x) * np.cos(x[:, np.newaxis])

plt.imshow(I)
plt.colorbar()

可以通过cmap参数为图形设置颜色条的配色方案

• plt.cm.<Tab>查看所有可用配色方案

plt.imshow(I, cmap='gray')

（一）选择配色方案

一般情况下，只需要重点关注三种不同的配色方案：

• 顺序配色方案：由一组连续的颜色构成的配色方案（如binary或viridis）
• 互逆配色方案：通常由两种互补的颜色构成，表示正反两种含义（如RdBu或PuOr）
• 定性配色方案：随机顺序的一组颜色（如rainbow或jet）

1. jet配色方案与非等差的渐变亮度
   – jet是一种定性配色方案，曾是Matplotlib 2.0之前所有版本的默认配色方案
   – 缺点：定性配色方案在对定性数据进行可视化时的选择空间非常有限。随着图形亮度的提高，经常会出现颜色无法区分的问题
   – 灰度图里比较亮的部分条纹：这些亮度变化不均匀的条纹在彩色图中对应某一段彩色区间，由于色彩太接近容易凸显出数据集中不重要的部分，导致眼睛无法识别重点

from matplotlib.colors import LinearSegmentedColormap


def grayscale_cmap(cmap):
    """为配色方案显示灰度图"""
    cmap = plt.cm.get_cmap(cmap)
    colors = cmap(np.arange(cmap.N))

    # 将RGBA色转换为不同亮度的灰度值
    RGB_weight = [0.299, 0.587, 0.114]
    luminance = np.sqrt(np.dot(colors[:, :3] ** 2, RGB_weight))
    colors[:, :3] = luminance[:, np.newaxis]

    return LinearSegmentedColormap.from_list(cmap.name + '_gray', colors, cmap.N)


def view_colormap(cmap):
    """用等价的灰度图表示配色方案"""
    cmap = plt.cm.get_cmap(cmap)
    colors = cmap(np.arange(cmap.N))

    cmap = grayscale_cmap(cmap)
    grayscale = cmap(np.arange(cmap.N))

    fig, ax = plt.subplots(2, figsize=(6, 2),
                           subplot_kw=dict(xticks=[], yticks=[]))
    ax[0].imshow([colors], extent=[0, 10, 0, 1])
    ax[1].imshow([grayscale], extent=[0, 10, 0, 1])


view_colormap('jet')

2. 更好的配色方案viridis（Matplotlib 2.0默认配色方案）
   – 采用的亮度渐变方式，不仅便于视觉观察，而且转换成灰度图后也更清晰

# viridis配色方案和渐变亮度scale
view_colormap('viridis')

3. 彩虹效果的配色方案cubehelix

# cubehelix配色方案和渐变亮度
view_colormap('cubehelix')

4. 如果要用两种颜色表示正反两种含义时，可以使用RdBu双色配色方案（红色-蓝色，Red-Blue简称）
   – 缺点：用红色、蓝色表示的正反两种信息在灰度图上看不出差别

# RdBu配色方案和渐变亮度
view_colormap('RdBu')

（二）颜色条刻度的限制与扩展功能的设置

设置颜色条扩展属性

• 可以将颜色条本身仅看作是一个plt.Axes实例，因此所有关于坐标轴和刻度值的格式配置技巧均可用
• 颜色条有一些有趣的特性：如，可以缩短颜色取值上下限，对于超出上下限的数据通过extend参数用三角箭头表示比上限大的数或比下限小的数

# 为图形像素设置1%噪点
speckles = (np.random.random(I.shape) < 0.01)
I[speckles] = np.random.normal(0, 3, np.count_nonzero(speckles))

plt.figure(figsize=(10, 3.5))

plt.subplot(1, 2, 1)
plt.imshow(I, cmap='RdBu')
plt.colorbar()

plt.subplot(1, 2, 2)
plt.imshow(I, cmap='RdBu')
plt.colorbar(extend='both')
plt.clim(-1, 1)

• 左图是用默认的颜色条刻度限制实现的效果，噪点的范围完全覆盖了我们感兴趣的数据
• 而右图设置了颜色条的刻度上下限，并在上下限之外增加了扩展功能，这样的数据可视化图形更有效果

（三）离散型颜色条

虽然颜色条默认都是连续的，但有时也需要表示离散数据。

使用plt.cm.get_cmap()函数，将适当的配色方案的名称以及需要的区间数量传进去即可

plt.imshow(I, cmap=plt.cm.get_cmap('Blues', 6))
plt.colorbar()
plt.clim(-1, 1)

Matplotlib 相关阅读：

[Python3] Matplotlib —— (一) 入门基础
[Python3] Matplotlib —— (二) 简易线形图
[Python3] Matplotlib —— (三) 简易散点图
[Python3] Matplotlib —— (四) 可视化异常处理
[Python3] Matplotlib —— (五) 密度图与等高线图
[Python3] Matplotlib —— (六) 频次直方图、数据区间划分和分布密度
[Python3] Matplotlib —— (七) 配置图例

总结自《Python数据科学手册》