matplotlib cmap

matplotlib cmap

参考：matplotlib cmap

Matplotlib是一个Python的绘图库，提供了丰富的可视化功能。其中的Colormap（简称cmap）是Matplotlib中常用的一个功能，用于设置数据的颜色映射。Colormap可以帮助我们更直观地展示数据的分布情况，让图表更加生动和易于理解。

创建一个简单的Colormap

首先，我们来看一个简单的例子，创建一个基本的Colormap。在Matplotlib中，可以通过cmap参数指定Colormap的名称。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.scatter(x, y, c=y, cmap='viridis')
plt.colorbar()
plt.show()

Output:

在这个例子中，我们创建了一个散点图，并使用’spring’这个Colormap对数据进行了着色。运行代码后，我们可以看到散点图的颜色按照数据的数值大小进行了映射。

使用不同的Colormap

Matplotlib提供了许多预定义的Colormap，用户可以根据自己的需求选择合适的Colormap。接下来，我们来看几个不同的Colormap示例。

使用’coolwarm’ Colormap

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.scatter(x, y, c=y, cmap='coolwarm')
plt.colorbar()
plt.show()

Output:

使用’plasma’ Colormap

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.scatter(x, y, c=y, cmap='plasma')
plt.colorbar()
plt.show()

Output:

使用’cividis’ Colormap

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.scatter(x, y, c=y, cmap='cividis')
plt.colorbar()
plt.show()

Output:

自定义Colormap

除了使用Matplotlib提供的预定义Colormap外，我们还可以根据自己的需求来自定义Colormap。下面是一个简单的自定义Colormap示例：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import ListedColormap
x = np.linspace(0, 10, 100)
y = np.sin(x)

colors = ['#FF0000', '#00FF00', '#0000FF']
cmap_custom = ListedColormap(colors)

plt.scatter(x, y, c=y, cmap=cmap_custom)
plt.colorbar()
plt.show()

Output:

在这个例子中，我们使用ListedColormap类来自定义一个简单的Colormap，通过指定颜色列表colors来定义Colormap的颜色。

Colormap与颜色映射

Colormap可以帮助我们将数据转换成对应的颜色，从而更直观地展示数据的分布情况。在Matplotlib中，我们可以使用ScalarMappable类来映射数据到颜色。

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

x = np.random.rand(100)
y = np.random.rand(100)
colors = cm.viridis(x)

plt.scatter(x, y, c=colors)
plt.colorbar()
plt.show()

Output:

在这个例子中，我们使用cm.viridis函数将数据x映射为对应的颜色，并将颜色应用到散点图中。

Colormap的应用场景

Colormap在数据可视化中有着广泛的应用场景，可以帮助我们更好地理解数据的分布情况。下面是一些常见的Colormap的应用场景：

用于热力图（heatmap）的可视化

import matplotlib.pyplot as plt
import numpy as np

data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.show()

Output:

用于等高线图（contour）的可视化

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-2, 2, 100)
y = np.linspace(-2, 2, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

plt.contourf(X, Y, Z, cmap='coolwarm')
plt.colorbar()
plt.show()

Output:

用于3D图的可视化

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

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))

ax.plot_surface(X, Y, Z, cmap='viridis')
plt.colorbar()
plt.show()