- Matplotlib使用指南-5
- 一、matplotlib的绘图样式（style）
- 1.matplotlib预先定义样式
- 2.用户自定义stylesheet
- 3.设置rcparams
- 二、matplotlib的色彩设置（color）
- 1.RGB或RGBA
- 2.HEX RGB 或 RGBA
- 3.灰度色阶
- 4.单字符基本颜色
- 5.颜色名称
- 6.使用colormap设置一组颜色
- 三、思考题
- 1.获取Colormap并访问它们的值
- 2.ListedColormap
- 3.创建列出的Colormap
第五回详细介绍matplotlib中样式和颜色的使用，绘图样式和颜色是丰富可视化图表的重要手段，因此熟练掌握本章可以让可视化图表变得更美观，突出重点和凸显艺术性。
关于绘图样式，常见的有3种方法，分别是修改预定义样式，自定义样式和rcparams。
关于颜色使用，本章介绍了常见的5种表示单色颜色的基本方法，以及colormap多色显示的方法。
在matplotlib中，要想设置绘制样式，最简单的方法是在绘制元素时单独设置样式。 但是有时候，当用户在做专题报告时，往往会希望保持整体风格的统一而不用对每张图一张张修改，因此matplotlib库还提供了四种批量修改全局样式的方式
1.matplotlib预先定义样式matplotlib贴心地提供了许多内置的样式供用户使用，使用方法很简单，只需在python脚本的最开始输入想使用style的名称即可调用，尝试调用不同内置样式，比较区别
import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np
plt.style.use('default')
plt.plot([1,2,3,4],[2,3,4,5])
plt.style.use('seaborn-darkgrid')
plt.plot([1,2,3,4],[2,3,4,5])
那么matplotlib究竟内置了那些样式供使用呢？总共以下26种丰富的样式可供选择。
print(plt.style.available)
[‘bmh’, ‘classic’, ‘dark_background’, ‘fast’, ‘fivethirtyeight’, ‘ggplot’, ‘grayscale’, ‘seaborn-bright’, ‘seaborn-colorblind’, ‘seaborn-dark-palette’, ‘seaborn-dark’, ‘seaborn-darkgrid’, ‘seaborn-deep’, ‘seaborn-muted’, ‘seaborn-notebook’, ‘seaborn-paper’, ‘seaborn-pastel’, ‘seaborn-poster’, ‘seaborn-talk’, ‘seaborn-ticks’, ‘seaborn-white’, ‘seaborn-whitegrid’, ‘seaborn’, ‘Solarize_Light2’, ‘tableau-colorblind10’, ‘_classic_test’]
2.用户自定义stylesheet在任意路径下创建一个后缀名为mplstyle的样式清单，编辑文件添加以下样式内容
axes.titlesize : 24
axes.labelsize : 20
lines.linewidth : 3
lines.markersize : 10
xtick.labelsize : 16
ytick.labelsize : 16
引用自定义stylesheet后观察图表变化
plt.style.use('../file/presentation.mplstyle')
plt.plot([1,2,3,4],[2,3,4,5])
值得特别注意的是，matplotlib支持混合样式的引用，只需在引用时输入一个样式列表，若是几个样式中涉及到同一个参数，右边的样式表会覆盖左边的值
plt.style.use([ '../file/presentation.mplstyle','dark_background']) plt.plot([1,2,3,4],[2,3,4,5])3.设置rcparams
我们还可以通过修改默认rc设置的方式改变样式，所有rc设置都保存在一个叫做 matplotlib.rcParams的变量中。
修改过后再绘图，可以看到绘图样式发生了变化。
plt.style.use('default') # 恢复到默认样式
plt.plot([1,2,3,4],[2,3,4,5])
mpl.rcParams['lines.linewidth'] = 2 mpl.rcParams['lines.linestyle'] = '--' plt.plot([1,2,3,4],[2,3,4,5])
另外matplotlib也还提供了了一种更便捷的修改样式方式，可以一次性修改多个样式。
mpl.rc('lines', linewidth=4, linestyle='-.')
plt.plot([1,2,3,4],[2,3,4,5])
二、matplotlib的色彩设置（color）
在可视化中，如何选择合适的颜色和搭配组合也是需要仔细考虑的，色彩选择要能够反映出可视化图像的主旨。
从可视化编码的角度对颜色进行分析，可以将颜色分为色相、亮度和饱和度三个视觉通道。通常来说：
色相： 没有明显的顺序性、一般不用来表达数据量的高低，而是用来表达数据列的类别。
明度和饱和度： 在视觉上很容易区分出优先级的高低、被用作表达顺序或者表达数据量视觉通道。
具体关于色彩理论部分的知识，不属于本教程的重点，请参阅有关拓展材料学习。
ECharts数据可视化实验室
学会这6个可视化配色基本技巧，还原数据本身的意义
在matplotlib中，设置颜色有以下几种方式：
1.RGB或RGBAplt.style.use('default')
# 颜色用[0,1]之间的浮点数表示，四个分量按顺序分别为(red, green, blue, alpha)，其中alpha透明度可省略 plt.plot([1,2,3],[4,5,6],color=(0.8, 0.2, 0.5)) plt.plot([4,5,6],[1,2,3],color=(0.1, 0.4, 0.6, 0.5))2.HEX RGB 或 RGBA
RGB颜色和HEX颜色之间是可以一一对应的，以下网址提供了两种色彩表示方法的转换工具。
https://www.colorhexa.com/
# 用十六进制颜色码表示，同样最后两位表示透明度，可省略 plt.plot([1,2,3],[4,5,6],color='#7570a7') plt.plot([4,5,6],[1,2,3],color='#0f0f0f80')3.灰度色阶
# 当只有一个位于[0,1]的值时，表示灰度色阶 plt.plot([1,2,3],[4,5,6],color='0.5')4.单字符基本颜色
# matplotlib有八个基本颜色，可以用单字符串来表示，分别是'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'，对应的是blue, green, red, cyan, magenta, yellow, black, and white的英文缩写 plt.plot([1,2,3],[4,5,6],color='m')5.颜色名称
# matplotlib提供了颜色对照表，可供查询颜色对应的名称 plt.plot([1,2,3],[4,5,6],color='darkorange')6.使用colormap设置一组颜色
有些图表支持使用colormap的方式配置一组颜色，从而在可视化中通过色彩的变化表达更多信息。
在matplotlib中，colormap共有五种类型:
顺序（Sequential）。通常使用单一色调，逐渐改变亮度和颜色渐渐增加，用于表示有顺序的信息
发散（Diverging）。改变两种不同颜色的亮度和饱和度，这些颜色在中间以不饱和的颜色相遇；当绘制的信息具有关键中间值（例如地形）或数据偏离零时，应使用此值。
循环（Cyclic）。改变两种不同颜色的亮度，在中间和开始/结束时以不饱和的颜色相遇。用于在端点处环绕的值，例如相角，风向或一天中的时间。
定性（Qualitative）。常是杂色，用来表示没有排序或关系的信息。
杂色（Miscellaneous）。一些在特定场景使用的杂色组合，如彩虹，海洋，地形等。
x = np.random.randn(50)
y = np.random.randn(50)
plt.scatter(x,y,c=x,cmap='PuBu')
# plot_color_gradients('Sequential',
# ['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
# 'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
# 'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'])
在以下官网页面可以查询上述五种colormap的字符串表示和颜色图的对应关系
https://matplotlib.org/stable/tutorials/colors/colormaps.html
学习如何自定义colormap，并将其应用到任意一个数据集中，绘制一幅图像，注意colormap的类型要和数据集的特性相匹配，并做简单解释
#https://blog.csdn.net/weixin_43595036/article/details/122139461
Matplotlib 有许多可通过 Matplotlib.cm.get_cmap 访问的内置彩色地图。还有像 palettable 这样的外部库，它们有许多额外的着色图。
然而，我们经常希望在 Matplotlib 创建或操作彩色图。这可以使用类 ListedColormap 或 LinearSegmentedColormap 来完成。从外部看，两个 colormap 类都将0到1之间的值映射为一组颜色。然而，还是有一些细微的差别，其中一些如下所示。
在手动创建或操作颜色映射之前，让我们首先了解如何从现有的颜色映射类中获取颜色映射及其颜色
1.获取Colormap并访问它们的值首先，可以使用返回 colormap 对象的 Matplotlib.cm.get _ cmap 来获得一个命名的 colormap，其中大多数都在 Matplotlib 的 Choosing Colormaps 中列出。第二个参数给出了用于定义颜色图的颜色列表的大小，下面我们使用了一个适度的值8，因此没有太多值可以查看
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap
viridis = cm.get_cmap('viridis', 8)
对象 viridis 是一个可调用对象，当传递一个介于0和1之间的浮点数时，返回一个来自 colormap 的 RGBA 值
print(viridis(0.56))2.ListedColormap
将它们的颜色值存储在一个颜色属性中。可以使用 colors 属性直接访问组成 colormap 的颜色列表，也可以通过使用与 colormap 长度匹配的值数组调用 viridis 间接访问它。请注意，返回的列表是 RGBA nx4数组的形式，其中 n 是 colormap 的长度。
print('viridis.colors', viridis.colors)
print('viridis(range(8))', viridis(range(8)))
print('viridis(np.linspace(0, 1, 8))', viridis(np.linspace(0, 1, 8)))
3.创建列出的Colormap
创建一个颜色映射实质上是上述操作的反向操作，我们为 ListedColormap 提供一个颜色规范的列表或数组来创建一个新的颜色映射。
定义一个辅助函数，它接受多个颜色映射中的一个作为输入，创建一些随机数据，并将颜色映射应用于该数据集的图像绘制。
def plot_examples(colormaps):
"""
Helper function to plot data with associated colormap.
"""
np.random.seed(20000212)
data = np.random.randn(30, 30)
n = len(colormaps)
fig, axs = plt.subplots(1, n, figsize=(n * 2 + 2, 3),
constrained_layout=True, squeeze=False)
for [ax, cmap] in zip(axs.flat, colormaps):
psm = ax.pcolormesh(data, cmap=cmap, rasterized=True, vmin=-4, vmax=4)
fig.colorbar(psm, ax=ax)
plt.show()
cmap = ListedColormap(["lightyellow","lightgreen", "yellow","green"]) plot_examples([cmap])
假设我们想要创建一个256个长度的“ viridis”colormap的前40个条目:
viridis = cm.get_cmap('viridis', 256)
newcolors = viridis(np.linspace(0, 1, 256))
pink = np.array([248/256, 24/256, 148/256, 1])
newcolors[:40, :] = pink
newcmp = ListedColormap(newcolors)
plot_examples([viridis, newcmp])
我们可以缩小彩色图的动态范围，这里我们选择了中间的一半。但是请注意，因为 viridis 是一个列出的彩色图，我们最终将得到128个离散值，而不是原始彩色图中的256个值。此方法不在颜色空间中插值以添加新的颜色
viridis_big = cm.get_cmap('viridis')
newcmp = ListedColormap(viridis_big(np.linspace(0.25, 0.75, 128)))
plot_examples([viridis, newcmp])
我们可以很容易地连接两个colormap
top = cm.get_cmap('CMRmap', 128)
bottom = cm.get_cmap('Purples_r', 128)
newcolors = np.vstack((top(np.linspace(0, 1, 128)),
bottom(np.linspace(0, 1, 128))))
newcmp = ListedColormap(newcolors, name='CMRmapPurples')
plot_examples([viridis, newcmp])
当然，我们不需要从命名的着色图开始，我们只需要创建 nx4数组来传递给 ListedColormap。在这里，我们创建一个从棕色(RGB: 90,40,40)到白色(RGB: 255,255,255)的彩色图。
N = 256 vals = np.ones((N, 4)) vals[:, 0] = np.linspace(90/256, 1, N) vals[:, 1] = np.linspace(40/256, 1, N) vals[:, 2] = np.linspace(40/256, 1, N) newcmp = ListedColormap(vals) plot_examples([viridis, newcmp])
# green:0,255,0; yellow:255,255,0; red:255,0,0; black:0,0,0 N = 128 vals_1 = np.ones((N, 4)) vals_1[:, 0] = np.linspace(0, 1, N) vals_1[:, 1] = np.linspace(0.5,1, N) vals_1[:, 2] = np.linspace(0, 0, N) N = 124 vals_2 = np.ones((N, 4)) vals_2[:, 0] = np.linspace(1, 0.5, N) vals_2[:, 1] = np.linspace(0, 0, N) vals_2[:, 2] = np.linspace(0, 0, N) N = 4 vals_3 = np.ones((N, 4)) vals_3[:, 0] = np.linspace(0, 0, N) vals_3[:, 1] = np.linspace(0, 0, N) vals_3[:, 2] = np.linspace(0, 0, N) vals = np.vstack((vals_1, vals_2,vals_3)) newcmp = ListedColormap(vals) plot_examples([newcmp])
