Python数据分析 Anaconda发行版 Jupyter notebook 安装和文档 启动 运行机制 主界面 新建文档 工作界面 文档结构 编辑和命令模式 快捷键 执行和输出 Markdown单元 图片和视频 幻灯片 导出格式 魔法命令 Numpy 基础知识 数据类型 创建数组 数组运算 通用函数 索引切片迭代 添加删除去重 形状变换 堆积数组 分割数组 视图和复制 广播机制 花式索引 布尔索引 统计方法 随机数 Pandas Series DataFrame Index 重建索引 轴向上删除条目 索引和切片 算术和广播 函数和映射 排序和排名 统计和汇总 文件读取 分块读取 写出数据 JSON和Pickle HDF5 EXCEL文件 Web交互 数据库交互 删除缺失值 补全缺失值 删除重复值 替换 重命名轴索引 离散化和分箱 检测和过滤 随机和抽样 字符串操作 分层索引 分层索引进阶 合并连接 粘合与堆叠 重塑 Matplotlib 配置环境 使用常识 保存图形 两种图画接口 使用中文 线型图 颜色线型和标记 坐标轴上下限 坐标轴刻度 图题、轴标签和图例 配置图题 配置图例 颜色条 文本、箭头和注释 散点图 直方图 条形图 饼图 误差线 等高线 多子图 patch 自定义坐标轴刻度 风格样式展示 下一步

颜色条

阅读: 5214     评论：0

在Matplotlib中，颜色条是一个独立的坐标轴，可以指明图形中的颜色的含义。

我们在前面已经使用过颜色条，这里再专门介绍一下：

%matplotlib notebook
import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0,10,1000)
I = np.sin(x)* np.cos(x[:,np.newaxis])
I.shape

plt.imshow(I)
plt.colorbar()

img

我们得到了一个默认的蓝绿配色的图形。

实际上在plt.cm中有大量可选的颜色配置方案。具体使用哪种方案，要根据你的需求和你对美术的修养。一般情况下，你只需要关注三种类型的配色方案：

  • 顺序配色：由一组连续的颜色构成，比如binary和viridis
  • 互逆色：通常由互补的颜色构成，比如RdBu或者PuOr
  • 定性配色：随机顺序的一组颜色，比如rainbow或jet

这些配色方案的名字很多都是缩写组合，一定要注意字母大小写。

jet是Matplotlib2.0之前的默认配色方案，已经比较老旧了。viridis是目前的默认配色方案。下面我们看看'RdBu'的配色：

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

img

colorbar可以看作是plt.Axes的一个实例，因此前面关于坐标轴的格式配置技巧都可以使用，下面我们看一个噪点图像，注意其中的clim方法：

speckles = np.random.random(I.shape) < 0.01  # 制造bool噪点
I[speckles] = np.random.normal(0,3,np.count_nonzero(speckles)) # 生成噪点

plt.figure(figsize=(10,3.5)) 
plt.subplot(1,2,1)  # 多子图模式
plt.imshow(I, cmap='RdBu') 
plt.colorbar()

plt.subplot(1,2,2)
plt.imshow(I, cmap='RdBu')
plt.colorbar(extend='both') # 颜色条变成两端尖
plt.clim(-1,1)  # 限制颜色显示范围

img

颜色条默认都是连续的，但有时候你可能也需要使用离散的颜色数据，最简单的方法就是使用plt.cm.get_cmap()方法，将适当的颜色方案和需要的区间数量作为参数传递进去即可：

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

img

 配置图例 文本、箭头和注释 

评论总数： 0

点击登录后方可评论