极客教程Matplotlib 颜色映射和颜色使用详解
Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了丰富的颜色映射（colormap）和颜色使用选项，使得数据可视化更加生动和富有表现力。本文将详细介绍 Matplotlib 中的颜色映射（cmap）和颜色使用方法，帮助读者更好地掌握这一强大工具。
1. 颜色映射（Colormap）简介
颜色映射是一种将数值范围映射到颜色范围的方法。在 Matplotlib 中，颜色映射通常用于表示连续数据的变化，如热图、等高线图等。Matplotlib 提供了多种内置的颜色映射，可以满足不同的可视化需求。
1.1 内置颜色映射
Matplotlib 提供了多种内置的颜色映射，可以分为以下几类：
- 顺序颜色映射：如 ‘viridis’、’plasma’、’inferno’、’magma’ 等
- 发散颜色映射：如 ‘coolwarm’、’RdYlBu’、’RdBu’ 等
- 循环颜色映射：如 ‘hsv’、’twilight’、’twilight_shifted’ 等
- 定性颜色映射：如 ‘Set1’、’Set2’、’Set3’、’Pastel1’ 等
以下是一个使用内置颜色映射的简单示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 创建图形
plt.figure(figsize=(10, 6))
plt.scatter(x, y, c=y, cmap='viridis')
plt.colorbar(label='Sin(x)')
plt.title('How2matplotlib.com - Viridis Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们使用 scatter 函数创建了一个散点图，并使用 viridis 颜色映射来表示 y 值的变化。colorbar 函数添加了一个颜色条，显示颜色与数值的对应关系。
1.2 自定义颜色映射
除了使用内置的颜色映射，Matplotlib 还允许用户创建自定义的颜色映射。以下是一个创建自定义颜色映射的示例：
import matplotlib.pyplot as plt
import matplotlib.colors as colors
import numpy as np
# 创建自定义颜色映射
colors_list = ['#ff0000', '#00ff00', '#0000ff']
n_bins = 100
cmap = colors.LinearSegmentedColormap.from_list('How2matplotlib.com_custom_cmap', colors_list, N=n_bins)
# 创建数据
x = np.linspace(0, 10, 100)
y = np.cos(x)
# 创建图形
plt.figure(figsize=(10, 6))
plt.scatter(x, y, c=y, cmap=cmap)
plt.colorbar(label='Cos(x)')
plt.title('How2matplotlib.com - Custom Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们使用 colors.LinearSegmentedColormap.from_list 函数创建了一个自定义的颜色映射，该映射从红色过渡到绿色，再过渡到蓝色。然后，我们将这个自定义的颜色映射应用到散点图中。
2. 颜色映射的应用
颜色映射可以应用于多种类型的图表，下面我们将介绍几种常见的应用场景。
2.1 热图（Heatmap）
热图是颜色映射的典型应用之一，它可以直观地展示二维数据的分布情况。以下是一个使用热图的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
data = np.random.rand(10, 10)
# 创建热图
plt.figure(figsize=(10, 8))
plt.imshow(data, cmap='hot')
plt.colorbar(label='Value')
plt.title('How2matplotlib.com - Heatmap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们使用 imshow 函数创建了一个热图，并使用 hot 颜色映射来表示数据的大小。热图可以直观地展示二维数据的分布情况，颜色越亮表示数值越大。
2.2 等高线图（Contour Plot）
等高线图是另一种常见的颜色映射应用，它可以用来表示三维数据在二维平面上的投影。以下是一个等高线图的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))
# 创建等高线图
plt.figure(figsize=(10, 8))
contour = plt.contourf(X, Y, Z, cmap='coolwarm')
plt.colorbar(contour, label='Z Value')
plt.title('How2matplotlib.com - Contour Plot Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们使用 contourf 函数创建了一个填充等高线图，并使用 coolwarm 颜色映射来表示 Z 值的变化。等高线图可以直观地展示三维数据在二维平面上的分布情况。
2.3 3D 表面图
颜色映射也可以应用于 3D 图形，以下是一个 3D 表面图的示例：
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))
# 创建 3D 表面图
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(X, Y, Z, cmap='viridis')
fig.colorbar(surf, label='Z Value')
ax.set_title('How2matplotlib.com - 3D Surface Plot Example')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()
Output:
在这个示例中，我们使用 plot_surface 函数创建了一个 3D 表面图，并使用 viridis 颜色映射来表示 Z 值的变化。3D 表面图可以直观地展示三维数据的分布情况。
3. 颜色使用技巧
除了颜色映射，Matplotlib 还提供了多种颜色使用方法，可以让你的图表更加丰富多彩。
3.1 使用颜色名称
Matplotlib 支持多种颜色名称，可以直接使用字符串来指定颜色。以下是一个使用颜色名称的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图形
plt.figure(figsize=(10, 6))
plt.plot(x, y1, color='red', label='Sin(x)')
plt.plot(x, y2, color='blue', label='Cos(x)')
plt.title('How2matplotlib.com - Color Names Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
Output:
在这个示例中，我们使用 ‘red’ 和 ‘blue’ 颜色名称来分别绘制正弦和余弦曲线。Matplotlib 支持多种颜色名称，如 ‘green’、’yellow’、’purple’ 等。
3.2 使用 RGB 值
除了颜色名称，你还可以使用 RGB 值来指定颜色。RGB 值是一个包含红、绿、蓝三个分量的元组，每个分量的取值范围是 0 到 1。以下是一个使用 RGB 值的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图形
plt.figure(figsize=(10, 6))
plt.plot(x, y1, color=(1, 0, 0), label='Sin(x)') # 红色
plt.plot(x, y2, color=(0, 0, 1), label='Cos(x)') # 蓝色
plt.title('How2matplotlib.com - RGB Color Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
Output:
在这个示例中，我们使用 (1, 0, 0) 表示红色，(0, 0, 1) 表示蓝色。你可以通过调整 RGB 值来创建各种颜色。
3.3 使用十六进制颜色代码
十六进制颜色代码是另一种常用的颜色表示方法。它使用 6 位十六进制数来表示颜色，前两位表示红色，中间两位表示绿色，最后两位表示蓝色。以下是一个使用十六进制颜色代码的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图形
plt.figure(figsize=(10, 6))
plt.plot(x, y1, color='#FF0000', label='Sin(x)') # 红色
plt.plot(x, y2, color='#0000FF', label='Cos(x)') # 蓝色
plt.title('How2matplotlib.com - Hex Color Code Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
Output:
在这个示例中，我们使用 ‘#FF0000′ 表示红色，’#0000FF’ 表示蓝色。十六进制颜色代码提供了更精确的颜色控制。
3.4 使用 RGBA 值
RGBA 值是 RGB 值的扩展，增加了一个 Alpha 通道来控制透明度。Alpha 值的范围是 0（完全透明）到 1（完全不透明）。以下是一个使用 RGBA 值的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图形
plt.figure(figsize=(10, 6))
plt.plot(x, y1, color=(1, 0, 0, 0.5), label='Sin(x)') # 半透明红色
plt.plot(x, y2, color=(0, 0, 1, 0.5), label='Cos(x)') # 半透明蓝色
plt.title('How2matplotlib.com - RGBA Color Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
Output:
在这个示例中，我们使用 (1, 0, 0, 0.5) 表示半透明的红色，(0, 0, 1, 0.5) 表示半透明的蓝色。RGBA 值可以用来创建具有透明效果的图形元素。
4. 颜色循环
当你需要为多个数据系列设置不同的颜色时，可以使用 Matplotlib 的颜色循环功能。颜色循环会自动为每个数据系列分配不同的颜色。以下是一个使用颜色循环的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = x**2
# 创建图形
plt.figure(figsize=(10, 6))
plt.plot(x, y1, label='Sin(x)')
plt.plot(x, y2, label='Cos(x)')
plt.plot(x, y3, label='Tan(x)')
plt.plot(x, y4, label='x^2')
plt.title('How2matplotlib.com - Color Cycle Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
Output:
在这个示例中，我们没有明确指定颜色，Matplotlib 会自动为每条曲线分配不同的颜色。
5. 颜色映射的归一化
在使用颜色映射时，有时需要对数据进行归一化处理，以便更好地映射到颜色范围。Matplotlib 提供了多种归一化方法，如线性归一化、对数归一化等。以下是一个使用对数归一化的示例：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LogNorm
# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(X + Y)
# 创建图形
plt.figure(figsize=(10, 8))
contour = plt.contourf(X, Y, Z, cmap='viridis', norm=LogNorm())
plt.colorbar(contour, label='Z Value (Log Scale)')
plt.title('How2matplotlib.com - Log Normalized Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们使用 LogNorm() 对数据进行对数归一化，这样可以更好地展示数据的变化范围，特别是当数据跨越多个数量级时。
6. 离散颜色映射
有时我们需要使用离散的颜色映射，而不是连续的颜色映射。Matplotlib 提供了 BoundaryNorm 类来创建离散的颜色映射。以下是一个使用离散颜色映射的示例：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import BoundaryNorm
from matplotlib.cm import get_cmap
# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 创建离散颜色映射
levels = [-1, -0.5, 0, 0.5, 1]
cmap = get_cmap('RdYlBu')
norm = BoundaryNorm(levels, cmap.N)
# 创建图形
plt.figure(figsize=(10, 8))
contour = plt.contourf(X, Y, Z, levels=levels, cmap=cmap, norm=norm)
plt.colorbar(contour, label='Z Value')
plt.title('How2matplotlib.com - Discrete Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们使用 BoundaryNorm 创建了一个离散的颜色映射，将数据分为四个区间。这种方法在展示分类数据或需要强调特定数值范围时非常有用。
7. 颜色映射的反转
有时我们可能需要反转颜色映射的顺序。Matplotlib 提供了一种简单的方法来反转颜色映射，只需在颜色映射名称后添加 _r 后缀即可。以下是一个反转颜色映射的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
# 原始颜色映射
im1 = ax1.imshow(Z, cmap='viridis')
ax1.set_title('How2matplotlib.com - Original Viridis')
plt.colorbar(im1, ax=ax1)
# 反转颜色映射
im2 = ax2.imshow(Z, cmap='viridis_r')
ax2.set_title('How2matplotlib.com - Reversed Viridis')
plt.colorbar(im2, ax=ax2)
plt.show()
Output:
在这个示例中，我们创建了两个子图，一个使用原始的 ‘viridis’ 颜色映射，另一个使用反转的 ‘viridis_r’ 颜色映射。这种方法可以用于任何内置的颜色映射。
8. 颜色映射的裁剪
有时我们可能只想使用颜色映射的一部分。Matplotlib 允许我们通过 set_under() 和 set_over() 方法来设置超出范围的颜色，以及通过 set_bad() 方法来设置无效数据的颜色。以下是一个示例：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LinearSegmentedColormap
# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 创建自定义颜色映射
cmap = plt.get_cmap('viridis').copy()
cmap.set_under('red')
cmap.set_over('blue')
# 创建图形
plt.figure(figsize=(10, 8))
im = plt.imshow(Z, cmap=cmap, vmin=-0.5, vmax=0.5)
plt.colorbar(im, extend='both', label='Z Value')
plt.title('How2matplotlib.com - Clipped Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们创建了一个自定义的颜色映射，将小于 -0.5 的值设置为红色，大于 0.5 的值设置为蓝色。这种方法可以帮助我们强调特定范围的数据。
9. 颜色映射的插值
Matplotlib 允许我们在两个或多个颜色之间进行插值，创建自定义的颜色映射。以下是一个使用颜色插值的示例：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LinearSegmentedColormap
# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 创建自定义颜色映射
colors = ['blue', 'white', 'red']
n_bins = 100
cmap = LinearSegmentedColormap.from_list('How2matplotlib.com_custom', colors, N=n_bins)
# 创建图形
plt.figure(figsize=(10, 8))
im = plt.imshow(Z, cmap=cmap)
plt.colorbar(im, label='Z Value')
plt.title('How2matplotlib.com - Interpolated Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们创建了一个从蓝色到白色再到红色的自定义颜色映射。这种方法可以用来创建符合特定需求的颜色映射。
10. 颜色映射的组合
有时我们可能需要将多个颜色映射组合在一起。Matplotlib 提供了 ListedColormap 类来实现这一功能。以下是一个组合颜色映射的示例：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import ListedColormap
# 创建数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 创建组合颜色映射
cmap1 = plt.get_cmap('viridis')
cmap2 = plt.get_cmap('plasma')
newcolors = np.vstack((cmap1(np.linspace(0, 1, 128)),
cmap2(np.linspace(0, 1, 128))))
combined_cmap = ListedColormap(newcolors)
# 创建图形
plt.figure(figsize=(10, 8))
im = plt.imshow(Z, cmap=combined_cmap)
plt.colorbar(im, label='Z Value')
plt.title('How2matplotlib.com - Combined Colormap Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个示例中，我们将 ‘viridis’ 和 ‘plasma’ 两个颜色映射组合在一起，创建了一个新的颜色映射。这种方法可以用来创建更复杂的颜色映射效果。
结论
Matplotlib 的颜色映射和颜色使用功能非常强大和灵活，可以帮助我们创建丰富多彩、富有表现力的数据可视化图表。通过本文介绍的各种技巧和方法，你可以更好地控制图表的颜色效果，使你的数据可视化更加生动和有说服力。
无论是使用内置的颜色映射，还是创建自定义的颜色映射，Matplotlib 都提供了丰富的选项和灵活的控制方法。通过合理使用颜色映射和颜色，你可以有效地突出重要信息，展示数据的分布和变化趋势，使你的数据可视化更加专业和有吸引力。
在实际应用中，选择合适的颜色映射和颜色使用方法需要考虑数据的特性、可视化的目的以及受众的需求。通过不断实践和尝试，你将能够熟练运用 Matplotlib 的颜色功能，创造出更加出色的数据可视化作品。