Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义|极客教程

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

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，可以帮助我们更好地展示数据。本文将深入探讨 Matplotlib 中的色彩映射表，包括其名称、使用方法和自定义技巧。

1. 什么是色彩映射表？

色彩映射表是一种将数值映射到颜色的方法。在数据可视化中，我们经常需要使用不同的颜色来表示数据的不同值或范围。色彩映射表提供了一种系统化的方法来实现这一目标。

Matplotlib 提供了多种预定义的色彩映射表，每个都有其独特的名称和特点。这些色彩映射表可以分为几个主要类别：

顺序色彩映射表（Sequential colormaps）
发散色彩映射表（Diverging colormaps）
循环色彩映射表（Cyclic colormaps）
定性色彩映射表（Qualitative colormaps）

让我们通过一个简单的例子来看看如何使用色彩映射表：

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('使用 viridis 色彩映射表 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

在这个例子中，我们使用了 ‘viridis’ 色彩映射表来可视化 sin 函数。scatter 函数的 c 参数指定了用于着色的数据，cmap 参数指定了使用的色彩映射表。

2. Matplotlib 中的预定义色彩映射表

Matplotlib 提供了大量预定义的色彩映射表。以下是一些常用的色彩映射表及其特点：

2.1 顺序色彩映射表

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。

viridis：从深蓝到黄的渐变，是 Matplotlib 的默认色彩映射表
plasma：从深紫到黄的渐变
inferno：从黑到黄的渐变
magma：从黑到白的渐变，经过紫红色

让我们看一个使用 ‘plasma’ 色彩映射表的例子：

import matplotlib.pyplot as plt
import numpy as np

# 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='plasma')
plt.colorbar(label='Cos(x)')
plt.title('使用 plasma 色彩映射表 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何使用 ‘plasma’ 色彩映射表来可视化 cos 函数。

2.2 发散色彩映射表

发散色彩映射表适用于表示具有明确中心点或零点的数据。

coolwarm：从冷色（蓝）到暖色（红）的渐变
RdYlBu：从红到黄再到蓝的渐变
RdBu：从红到白再到蓝的渐变
PiYG：从紫到黄绿的渐变

下面是一个使用 ‘coolwarm’ 色彩映射表的例子：

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))

# 创建图形
plt.figure(figsize=(10, 8))
plt.pcolormesh(X, Y, Z, cmap='coolwarm')
plt.colorbar(label='Sin(sqrt(x^2 + y^2))')
plt.title('使用 coolwarm 色彩映射表 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何使用 ‘coolwarm’ 色彩映射表来可视化二维 sin 函数。

2.3 循环色彩映射表

循环色彩映射表适用于表示周期性数据或角度数据。

hsv：色相-饱和度-明度（Hue-Saturation-Value）循环
twilight：从紫到橙的平滑循环渐变
twilight_shifted：twilight 的移位版本

让我们看一个使用 ‘hsv’ 色彩映射表的例子：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
theta = np.linspace(0, 2*np.pi, 100)
r = np.sin(5*theta)

# 创建图形
plt.figure(figsize=(10, 8))
plt.polar(theta, r, c=theta, cmap='hsv')
plt.colorbar(label='Angle')
plt.title('使用 hsv 色彩映射表 - how2matplotlib.com')
plt.show()

这个例子展示了如何使用 ‘hsv’ 色彩映射表来可视化极坐标下的周期函数。

2.4 定性色彩映射表

定性色彩映射表适用于表示离散的、无序的数据类别。

Set1, Set2, Set3：不同大小的颜色集合
Pastel1, Pastel2：柔和的颜色集合
Paired：成对的颜色集合

下面是一个使用 ‘Set3’ 色彩映射表的例子：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
categories = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H']
values = np.random.rand(len(categories))

# 创建图形
plt.figure(figsize=(10, 6))
bars = plt.bar(categories, values, color=plt.cm.Set3(np.linspace(0, 1, len(categories))))
plt.title('使用 Set3 色彩映射表 - how2matplotlib.com')
plt.xlabel('Categories')
plt.ylabel('Values')

# 添加颜色条
sm = plt.cm.ScalarMappable(cmap='Set3', norm=plt.Normalize(vmin=0, vmax=len(categories)-1))
sm.set_array([])
cbar = plt.colorbar(sm)
cbar.set_label('Category Index')

plt.show()

这个例子展示了如何使用 ‘Set3’ 色彩映射表来为不同类别的条形图着色。

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地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：

对于连续数据，使用顺序色彩映射表（如 viridis, plasma）
对于有中心点的数据，使用发散色彩映射表（如 coolwarm, RdYlBu）
对于周期性数据，使用循环色彩映射表（如 hsv, twilight）
对于分类数据，使用定性色彩映射表（如 Set1, Paired）
考虑色盲友好的色彩映射表（如 viridis, plasma, inferno）

让我们看一个例子，展示如何为不同类型的数据选择合适的色彩映射表：

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)

# 创建图形
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))

# 连续数据使用顺序色彩映射表
im1 = ax1.scatter(x, y1, c=y1, cmap='viridis')
ax1.set_title('连续数据 (viridis) - how2matplotlib.com')
plt.colorbar(im1, ax=ax1)

# 有中心点的数据使用发散色彩映射表
im2 = ax2.scatter(x, y2, c=y2, cmap='coolwarm')
ax2.set_title('有中心点的数据 (coolwarm) - how2matplotlib.com')
plt.colorbar(im2, ax=ax2)

# 周期性数据使用循环色彩映射表
im3 = ax3.scatter(x, y3, c=y3, cmap='hsv')
ax3.set_title('周期性数据 (hsv) - how2matplotlib.com')
plt.colorbar(im3, ax=ax3)

plt.tight_layout()
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何为不同类型的数据选择合适的色彩映射表。

4. 自定义色彩映射表

除了使用预定义的色彩映射表，Matplotlib 还允许我们创建自定义的色彩映射表。这在我们需要特定颜色组合或想要强调某些数据范围时非常有用。

4.1 从颜色列表创建色彩映射表

我们可以使用 LinearSegmentedColormap.from_list() 方法从颜色列表创建自定义的色彩映射表。

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np

# 定义颜色列表
colors = ['darkred', 'red', 'orange', 'yellow', 'white']

# 创建自定义色彩映射表
n_bins = 100  # 颜色数量
cmap = mcolors.LinearSegmentedColormap.from_list('custom_cmap', colors, N=n_bins)

# 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=cmap)
plt.colorbar(label='Sin(x)')
plt.title('使用自定义色彩映射表 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何创建一个从深红到白色的自定义色彩映射表。

4.2 修改现有的色彩映射表

我们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，我们可以反转色彩映射表或者只使用其中的一部分。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.cos(x)

# 创建图形
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 5))

# 原始色彩映射表
im1 = ax1.scatter(x, y, c=y, cmap='viridis')
ax1.set_title('原始 viridis - how2matplotlib.com')
plt.colorbar(im1, ax=ax1)

# 反转的色彩映射表
im2 = ax2.scatter(x, y, c=y, cmap='viridis_r')
ax2.set_title('反转的 viridis - how2matplotlib.com')
plt.colorbar(im2, ax=ax2)

# 截取的色彩映射表
viridis_part = plt.cm.get_cmap('viridis', 256)
new_cmap = mcolors.ListedColormap(viridis_part(np.linspace(0.2, 0.8, 256)))
im3 = ax3.scatter(x, y, c=y, cmap=new_cmap)
ax3.set_title('截取的 viridis - how2matplotlib.com')
plt.colorbar(im3, ax=ax3)

plt.tight_layout()
plt.show()

这个例子展示了如何反转色彩映射表和截取色彩映射表的一部分。

5. 色彩映射表的高级应用

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据范围。

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
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))

# 连续色彩映射表
im1 = ax1.scatter(x, y, c=y, cmap='viridis')
ax1.set_title('连续 viridis - how2matplotlib.com')
plt.colorbar(im1, ax=ax1)

# 离散化色彩映射表
n_bins = 5  # 离散化的级别
cmap = plt.cm.get_cmap('viridis', n_bins)
im2 = ax2.scatter(x, y, c=y, cmap=cmap)
ax2.set_title('离散化 viridis - how2matplotlib.com')
plt.colorbar(im2, ax=ax2, ticks=np.linspace(y.min(), y.max(), n_bins+1))

plt.tight_layout()
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何将连续的 ‘viridis’ 色彩映射表离散化为 5 个级别。

5.2 使用 BoundaryNorm 进行自定义分段

有时我们需要对数据进行非均匀的分段。这时可以使用 BoundaryNorm 来实现。

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 定义边界和颜色
bounds = [-1, -0.5, 0, 0.5, 1]
colors = ['red', 'orange', 'lightblue', 'darkblue']

# 创建 BoundaryNorm
norm = mcolors.BoundaryNorm(bounds, len(colors))

# 创建图形
plt.figure(figsize=(10, 6))
plt.scatter(x, y, c=y, cmap=mcolors.ListedColormap(colors), norm=norm)
plt.colorbar(label='Sin(x)', ticks=bounds)
plt.title('使用 BoundaryNorm 的自定义分段 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何使用 BoundaryNorm 来创建非均匀的颜色分段。

6. 色彩映射表在不同类型图表中的应用

色彩映射表不仅可以用于散点图，还可以应用于多种类型的图表。让我们看一些例子：

6.1 热力图（Heatmap）

热力图是色彩映射表的一个典型应用场景。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data = np.random.rand(10, 10)

# 创建图形
plt.figure(figsize=(10, 8))
plt.imshow(data, cmap='YlOrRd')
plt.colorbar(label='Value')
plt.title('热力图示例 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何使用 ‘YlOrRd’ 色彩映射表创建热力图。

6.2 等高线图（Contour Plot）

等高线图也经常使用色彩映射表来表示不同的高度或值。

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)

# 创建图形
plt.figure(figsize=(10, 8))
cs = plt.contourf(X, Y, Z, cmap='coolwarm', levels=20)
plt.colorbar(cs, label='Z Value')
plt.title('等高线图示例 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何使用 ‘coolwarm’ 色彩映射表创建等高线图。

6.3 3D 表面图

色彩映射表也可以应用于 3D 图形。

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))

# 创建图形
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('3D 表面图示例 - how2matplotlib.com')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何在 3D 表面图中使用 ‘viridis’ 色彩映射表。

7. 色彩映射表的性能考虑

虽然色彩映射表可以大大提升数据可视化的效果，但在处理大量数据时也需要考虑性能问题。以下是一些提高性能的建议：

使用 plt.pcolormesh() 代替 plt.imshow() 来绘制大型 2D 数组。
对于非常大的数据集，考虑使用 plt.hexbin() 来创建六边形分箱图。
使用 plt.scatter() 时，将颜色数据传递给 c 参数，而不是使用单独的颜色列表。

让我们看一个使用 plt.hexbin() 的例子：

import matplotlib.pyplot as plt
import numpy as np

# 创建大量数据点
n = 100000
x = np.random.standard_normal(n)
y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n)

# 创建图形
plt.figure(figsize=(10, 8))
plt.hexbin(x, y, gridsize=20, cmap='viridis')
plt.colorbar(label='Count in bin')
plt.title('六边形分箱图示例 - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子展示了如何使用 plt.hexbin() 和 ‘viridis’ 色彩映射表来高效地可视化大量数据点。

8. 色彩映射表的可访问性考虑

在选择色彩映射表时，我们还需要考虑可访问性，特别是对色盲人士的友好程度。以下是一些建议：

使用感知均匀的色彩映射表，如 ‘viridis’、’plasma’ 或 ‘inferno’。
避免使用红绿组合的色彩映射表，因为红绿色盲是最常见的色盲类型。
考虑使用 ColorBrewer 提供的色盲友好色彩映射表。

让我们比较一下常规色彩映射表和色盲友好色彩映射表：

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
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))

# 常规色彩映射表
im1 = ax1.scatter(x, y, c=y, cmap='jet')
ax1.set_title('常规色彩映射表 (jet) - how2matplotlib.com')
plt.colorbar(im1, ax=ax1)

# 色盲友好色彩映射表
im2 = ax2.scatter(x, y, c=y, cmap='viridis')
ax2.set_title('色盲友好色彩映射表 (viridis) - how2matplotlib.com')
plt.colorbar(im2, ax=ax2)

plt.tight_layout()
plt.show()

Output:

Matplotlib 色彩映射表（Colormaps）详解：名称、使用和自定义

这个例子比较了常规的 ‘jet’ 色彩映射表和色盲友好的 ‘viridis’ 色彩映射表。

9. 总结

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。通过本文，我们详细介绍了 Matplotlib 中各种类型的色彩映射表，包括它们的名称、特点和适用场景。我们还探讨了如何选择合适的色彩映射表，如何创建自定义色彩映射表，以及色彩映射表在不同类型图表中的应用。

在使用色彩映射表时，我们需要考虑数据的性质、可视化的目的、性能要求以及可访问性等因素。通过合理选择和使用色彩映射表，我们可以创建既美观又有效的数据可视化图表，更好地展示和传达数据中的信息。

最后，建议读者在实际应用中多尝试不同的色彩映射表，并根据具体需求进行调整和优化。同时，也要注意色彩映射表的使用不应过度，避免产生视觉混乱或误导观众。通过不断实践和积累经验，相信大家都能掌握色彩映射表这一强大工具，创作出优秀的数据可视化作品。