极客教程Matplotlib 色彩映射表（Colormaps）全面指南：如何选择和使用最佳颜色方案
Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了丰富的色彩映射表（Colormaps）选项，使得数据可视化更加生动和富有表现力。本文将全面介绍 Matplotlib 中的色彩映射表，包括其概念、类型、选择方法以及实际应用，帮助你在数据可视化中创造出更加吸引人和有效的图表。
1. 什么是色彩映射表（Colormaps）？
色彩映射表是一种将数值数据映射到颜色的方法。它定义了一系列颜色，这些颜色按照特定的顺序排列，用于表示数据的不同值或范围。在数据可视化中，色彩映射表可以帮助我们更直观地理解数据的分布、趋势和模式。
以下是一个简单的例子，展示了如何使用色彩映射表来可视化一个二维数组：
import matplotlib.pyplot as plt
import numpy as np
# 创建一个简单的二维数组
data = np.random.rand(10, 10)
# 使用 'viridis' 色彩映射表绘制热图
plt.imshow(data, cmap='viridis')
plt.colorbar(label='Value')
plt.title('How2matplotlib.com: Simple Heatmap with Viridis Colormap')
plt.show()
Output:
在这个例子中，我们使用了 ‘viridis’ 色彩映射表来可视化随机生成的二维数组。颜色从深蓝色（低值）过渡到黄色（高值），直观地展示了数据的分布情况。
2. Matplotlib 中的色彩映射表类型
Matplotlib 提供了多种类型的色彩映射表，每种类型都有其特定的用途和优势。以下是主要的色彩映射表类型：
2.1 顺序色彩映射表（Sequential Colormaps）
顺序色彩映射表适用于表示从低到高或从高到低的连续数据。它们通常使用单一色调的渐变，或者从一种颜色平滑过渡到另一种颜色。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建一个简单的数据集
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 使用 'Blues' 顺序色彩映射表
plt.scatter(x, y, c=y, cmap='Blues')
plt.colorbar(label='sin(x)')
plt.title('How2matplotlib.com: Sequential Colormap Example (Blues)')
plt.show()
Output:
这个例子使用 ‘Blues’ 顺序色彩映射表来可视化 sin 函数。颜色从浅蓝色（低值）渐变到深蓝色（高值），清晰地展示了函数值的变化。
2.2 发散色彩映射表（Diverging Colormaps）
发散色彩映射表适用于具有明确中心点或零点的数据，例如正负值或偏差数据。它们通常在中心使用中性色，两端使用对比色。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建一个包含正负值的数据集
x = np.linspace(-5, 5, 100)
y = x**3
# 使用 'RdBu' 发散色彩映射表
plt.scatter(x, y, c=y, cmap='RdBu')
plt.colorbar(label='y = x^3')
plt.title('How2matplotlib.com: Diverging Colormap Example (RdBu)')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.show()
Output:
在这个例子中，我们使用 ‘RdBu’ 发散色彩映射表来可视化 y = x^3 函数。负值用蓝色表示，正值用红色表示，零点附近使用白色，清晰地展示了函数值的正负变化。
2.3 循环色彩映射表（Cyclic Colormaps）
循环色彩映射表适用于表示周期性数据，如角度或时间数据。它们的起点和终点颜色相同，形成一个闭环。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建角度数据
theta = np.linspace(0, 2*np.pi, 100)
r = np.sin(4*theta)
# 使用 'hsv' 循环色彩映射表
plt.polar(theta, r, c=theta, cmap='hsv')
plt.colorbar(label='Angle')
plt.title('How2matplotlib.com: Cyclic Colormap Example (HSV)')
plt.show()
这个例子使用 ‘hsv’ 循环色彩映射表来可视化极坐标图。颜色随角度变化，形成一个完整的色彩循环，非常适合表示周期性数据。
2.4 定性色彩映射表（Qualitative Colormaps）
定性色彩映射表适用于表示离散的、无序的类别数据。它们使用一组互不相同的颜色，每种颜色代表一个类别。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建类别数据
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 32]
# 使用 'Set3' 定性色彩映射表
colors = plt.cm.Set3(np.linspace(0, 1, len(categories)))
plt.bar(categories, values, color=colors)
plt.title('How2matplotlib.com: Qualitative Colormap Example (Set3)')
plt.ylabel('Value')
plt.show()
Output:
在这个例子中，我们使用 ‘Set3’ 定性色彩映射表来为不同类别的条形图着色。每个类别都有一个独特的颜色，使得各个类别之间易于区分。
3. 如何选择合适的色彩映射表
选择合适的色彩映射表对于有效传达数据信息至关重要。以下是一些选择色彩映射表的建议：
- 考虑数据类型：
- 对于连续数据，使用顺序色彩映射表
- 对于有中心点的数据，使用发散色彩映射表
- 对于周期性数据，使用循环色彩映射表
- 对于类别数据，使用定性色彩映射表
- 考虑色觉障碍：选择对色盲友好的色彩映射表，如 ‘viridis’、’plasma’ 或 ‘cividis’
-
考虑打印效果：如果图表需要打印，选择在灰度下仍有良好区分度的色彩映射表
-
避免彩虹色彩映射表：虽然 ‘jet’ 等彩虹色彩映射表看起来很吸引人，但它们可能会误导观众，不建议使用
以下是一个比较不同色彩映射表的示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 比较不同的色彩映射表
cmaps = ['viridis', 'plasma', 'inferno', 'magma']
fig, axs = plt.subplots(2, 2, figsize=(12, 10))
for i, cmap in enumerate(cmaps):
ax = axs[i//2, i%2]
scatter = ax.scatter(x, y, c=y, cmap=cmap)
ax.set_title(f'How2matplotlib.com: {cmap.capitalize()}')
plt.colorbar(scatter, ax=ax, label='sin(x)')
plt.tight_layout()
plt.show()
Output:
这个例子比较了四种不同的色彩映射表（viridis、plasma、inferno 和 magma），它们都是对色盲友好的选择。通过比较，你可以选择最适合你的数据和目标受众的色彩映射表。
4. 自定义色彩映射表
除了使用 Matplotlib 内置的色彩映射表，你还可以创建自定义的色彩映射表以满足特定需求。以下是几种创建自定义色彩映射表的方法：
4.1 使用 LinearSegmentedColormap
LinearSegmentedColormap 允许你通过定义颜色锚点来创建自定义的色彩映射表。
示例代码：
import matplotlib.pyplot as plt
import matplotlib.colors as colors
import numpy as np
# 定义颜色锚点
colors_list = ['#ff0000', '#00ff00', '#0000ff'] # 红、绿、蓝
n_bins = 100 # 颜色数量
cmap = colors.LinearSegmentedColormap.from_list('How2matplotlib_custom', colors_list, N=n_bins)
# 创建数据
data = np.random.rand(10, 10)
# 使用自定义色彩映射表
plt.imshow(data, cmap=cmap)
plt.colorbar(label='Value')
plt.title('How2matplotlib.com: Custom Linear Segmented Colormap')
plt.show()
Output:
这个例子创建了一个从红色到绿色再到蓝色的自定义色彩映射表。你可以根据需要调整颜色锚点和颜色数量。
4.2 使用 ListedColormap
ListedColormap 允许你直接指定一系列颜色来创建色彩映射表，适合于创建离散的色彩映射表。
示例代码：
import matplotlib.pyplot as plt
import matplotlib.colors as colors
import numpy as np
# 定义颜色列表
color_list = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']
cmap = colors.ListedColormap(color_list)
# 创建类别数据
categories = ['A', 'B', 'C', 'D']
values = [1, 2, 3, 4]
# 使用自定义色彩映射表
plt.bar(categories, values, color=cmap(np.linspace(0, 1, len(categories))))
plt.title('How2matplotlib.com: Custom Listed Colormap')
plt.ylabel('Value')
plt.show()
Output:
这个例子创建了一个包含四种颜色的离散色彩映射表，适用于表示类别数据。
4.3 修改现有色彩映射表
你还可以通过修改现有的色彩映射表来创建新的色彩映射表，例如反转颜色顺序或调整亮度。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 修改现有色彩映射表
original_cmap = plt.cm.viridis
reversed_cmap = original_cmap.reversed()
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始色彩映射表
scatter1 = ax1.scatter(x, y, c=y, cmap=original_cmap)
ax1.set_title('How2matplotlib.com: Original Viridis')
plt.colorbar(scatter1, ax=ax1, label='sin(x)')
# 反转后的色彩映射表
scatter2 = ax2.scatter(x, y, c=y, cmap=reversed_cmap)
ax2.set_title('How2matplotlib.com: Reversed Viridis')
plt.colorbar(scatter2, ax=ax2, label='sin(x)')
plt.tight_layout()
plt.show()
Output:
这个例子展示了如何反转 ‘viridis’ 色彩映射表，创建一个新的色彩映射表。
5. 色彩映射表的高级应用
除了基本的应用外，色彩映射表还有一些高级用法，可以进一步增强数据可视化的效果。
5.1 离散化色彩映射表
有时，我们需要将连续的色彩映射表离散化，以便更清晰地区分不同的数值范围。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import BoundaryNorm
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 定义离散化的边界和规范化
levels = [-1, -0.5, 0, 0.5, 1]
norm = BoundaryNorm(levels, plt.cm.viridis.N)
# 绘制离散化的散点图
plt.scatter(x, y, c=y, cmap='viridis', norm=norm)
plt.colorbar(label='sin(x)', ticks=levels)
plt.title('How2matplotlib.com: Discretized Colormap')
plt.show()
Output:
这个例子将 ‘viridis’ 色彩映射表离散化为四个区间，使得数据的分类更加明显。
5.2 多维数据的色彩映射
对于多维数据，我们可以使用多个色彩映射表来表示不同的维度。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建三维数据
x = np.random.rand(50)
y = np.random.rand(50)
size = np.random.rand(50) * 500
color = np.random.rand(50)
# 使用多个色彩映射表
plt.scatter(x, y, s=size, c=color, cmap='viridis', alpha=0.7)
plt.colorbar(label='Color Value')
plt.title('How2matplotlib.com: Multi-dimensional Data Visualization')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
在这个例子中，我们使用点的大小表示一个维度，颜色表示另一个维度，从而在二维平面上展示四维数据。
5.3 色彩映射表的动画效果
通过动画，我们可以展示色彩映射表随时间变化的效果，这对于展示时间序列数据特别有用。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation
# 创建初始数据
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
fig, ax = plt.subplots()
scatter = ax.scatter(x, y, c=y, cmap='viridis')
plt.colorbar(scatter)
# 更新函数
def update(frame):
y = np.sin(x + frame/10)
scatter.set_offsets(np.c_[x, y])
scatter.set_array(y)
ax.set_title(f'How2matplotlib.com: Frame {frame}')
return scatter,
# 创建动画
anim = FuncAnimation(fig, update, frames=100, interval=50, blit=True)
plt.show()
Output:
这个例子创建了一个动画，展示了正弦波随时间变化的过程，色彩映射表随之动态更新。
6. 色彩映射表在不同类型图表中的应用
色彩映射表可以应用于多种类型的图表，以下是一些常见的应用示例：
6.1 热图（Heatmap）
热图是色彩映射表最常见的应用之一，用于可视化二维数据的分布。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
data = np.random.rand(10, 12)
# 绘制热图
plt.imshow(data, cmap='YlOrRd')
plt.colorbar(label='Value')
plt.title('How2matplotlib.com: Heatmap Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
Output:
这个例子使用 ‘YlOrRd’ 色彩映射表创建了一个热图，展示了随机数据的分布情况。
6.2 等高线图（Contour Plot）
等高线图使用色彩映射表来表示三维数据在二维平面上的投影。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 绘制等高线图
plt.contourf(X, Y, Z, cmap='coolwarm')
plt.colorbar(label='Z Value')
plt.title('How2matplotlib.com: Contour Plot Example')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Output:
这个例子使用 ‘coolwarm’ 色彩映射表创建了一个等高线图，展示了 Z = sin(X) * cos(Y) 函数的等高线。
6.3 三维表面图（3D Surface Plot）
色彩映射表也可以应用于三维图表，增强立体效果。
示例代码：
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))
# 绘制三维表面图
fig = plt.figure()
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:
这个例子使用 ‘viridis’ 色彩映射表创建了一个三维表面图，展示了 Z = sin(sqrt(X^2 + Y^2)) 函数的三维形态。
7. 色彩映射表的性能考虑
在处理大型数据集时，色彩映射表的选择可能会影响可视化的性能。一些建议包括：
- 对于大型数据集，考虑使用更简单的色彩映射表，如 ‘gray’ 或 ‘binary’
- 使用
plt.colormaps()查看所有可用的色彩映射表，选择适合你数据的最简单选项 - 如果需要自定义色彩映射表，尽量使用较少的颜色锚点
8. 色彩映射表的最佳实践
为了创建有效的数据可视化，以下是一些使用色彩映射表的最佳实践：
- 始终为色彩映射表添加颜色条（colorbar），并标明其代表的含义
- 考虑你的目标受众，选择直观且易于理解的色彩映射表
- 对于科学出版物，选择可打印友好的色彩映射表
- 避免使用可能引起误解的色彩映射表，如彩虹色彩映射表
- 在可能的情况下，使用感知均匀的色彩映射表，如 ‘viridis’ 系列
9. 结论
Matplotlib 的色彩映射表是一个强大的工具，可以大大提升数据可视化的效果和信息传达能力。通过理解不同类型的色彩映射表，掌握选择和自定义的方法，以及在各种图表中的应用技巧，你可以创建出更加专业、有效的数据可视化作品。
记住，选择合适的色彩映射表不仅仅是为了美观，更重要的是要准确、清晰地传达数据信息。在实践中，多尝试不同的色彩映射表，并根据数据特性和目标受众的需求进行调整，你将能够充分发挥 Matplotlib 色彩映射表的潜力，创造出富有洞察力的数据可视化作品。