当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib 色彩映射：如何使用和自定义颜色方案

Matplotlib 色彩映射：如何使用和自定义颜色方案

Matplotlib 色彩映射：如何使用和自定义颜色方案

参考：matplotlib colormaps

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（colormaps）功能，使得数据可视化更加生动和直观。本文将深入探讨 Matplotlib 中的色彩映射，包括其概念、类型、使用方法以及自定义技巧，帮助你更好地掌握这一强大的可视化工具。

1. 色彩映射的概念和重要性

色彩映射是将数据值映射到颜色的过程。在数据可视化中，合适的色彩映射可以帮助我们更直观地理解数据的分布和变化趋势。Matplotlib 提供了多种预定义的色彩映射，同时也允许用户自定义色彩映射，以满足不同的可视化需求。

以下是一个简单的示例，展示了如何使用 Matplotlib 的默认色彩映射：

import matplotlib.pyplot as plt
import numpy as np

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

# 创建散点图，使用默认色彩映射
plt.scatter(x, y, c=y, cmap='viridis')
plt.colorbar(label='how2matplotlib.com')
plt.title('Default Colormap Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

在这个例子中，我们创建了一个散点图，并使用 viridis 色彩映射来表示 y 值的变化。plt.colorbar() 函数添加了一个颜色条，显示了颜色与数值的对应关系。

2. Matplotlib 内置色彩映射

Matplotlib 提供了丰富的内置色彩映射，可以分为以下几类：

  1. 顺序色彩映射（Sequential colormaps）
  2. 发散色彩映射（Diverging colormaps）
  3. 循环色彩映射（Cyclic colormaps）
  4. 定性色彩映射（Qualitative colormaps）

2.1 顺序色彩映射

顺序色彩映射适用于表示连续变化的数据，通常从浅色过渡到深色。常用的顺序色彩映射包括 viridis、plasma、inferno 等。

以下是使用 plasma 色彩映射的示例：

import matplotlib.pyplot as plt
import numpy as np

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

# 使用 plasma 色彩映射
plt.scatter(x, y, c=y, cmap='plasma')
plt.colorbar(label='how2matplotlib.com')
plt.title('Plasma Colormap Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子展示了如何使用 plasma 色彩映射来可视化余弦函数的值。颜色从深紫色过渡到黄色，直观地表示了数值的变化。

2.2 发散色彩映射

发散色彩映射适用于表示具有中心点的数据，如正负值或偏差。常用的发散色彩映射包括 coolwarm、RdBu、PiYG 等。

下面是使用 coolwarm 色彩映射的示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-5, 5, 100)
y = x

# 使用 coolwarm 色彩映射
plt.scatter(x, y, c=y, cmap='coolwarm')
plt.colorbar(label='how2matplotlib.com')
plt.title('Coolwarm Colormap Example')
plt.axhline(y=0, color='k', linestyle='--')
plt.axvline(x=0, color='k', linestyle='--')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

在这个例子中，我们使用 coolwarm 色彩映射来可视化一个线性函数。负值用冷色（蓝色）表示，正值用暖色（红色）表示，零点附近为白色。

2.3 循环色彩映射

循环色彩映射适用于表示周期性数据，如角度或时间。常用的循环色彩映射包括 hsv、twilight、twilight_shifted 等。

以下是使用 hsv 色彩映射的示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
theta = np.linspace(0, 2*np.pi, 100)
r = np.sin(4*theta)

# 使用 hsv 色彩映射
plt.polar(theta, r, c=theta, cmap='hsv')
plt.colorbar(label='how2matplotlib.com')
plt.title('HSV Colormap Example')
plt.show()
Python

这个例子展示了如何使用 hsv 色彩映射来可视化极坐标下的正弦函数。颜色循环变化，直观地表示了角度的周期性。

2.4 定性色彩映射

定性色彩映射适用于表示离散的、无序的类别数据。常用的定性色彩映射包括 Set1、Set2、Paired 等。

下面是使用 Set1 色彩映射的示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
categories = ['A', 'B', 'C', 'D', 'E']
values = np.random.rand(5)

# 使用 Set1 色彩映射
plt.bar(categories, values, color=plt.cm.Set1(np.linspace(0, 1, 5)))
plt.title('Set1 Colormap Example')
plt.ylabel('how2matplotlib.com')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子展示了如何使用 Set1 色彩映射来为不同类别的柱状图着色。每个类别都有一个独特的颜色，便于区分。

3. 选择合适的色彩映射

选择合适的色彩映射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的建议：

  1. 对于连续数据，使用顺序色彩映射。
  2. 对于有中心点的数据，使用发散色彩映射。
  3. 对于周期性数据，使用循环色彩映射。
  4. 对于离散类别数据，使用定性色彩映射。
  5. 考虑色盲友好的色彩映射，如 viridis、plasma 等。

以下是一个比较不同色彩映射效果的示例：

import matplotlib.pyplot as plt
import numpy as np

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

# 创建子图
fig, axs = plt.subplots(2, 2, figsize=(12, 10))

# 使用不同的色彩映射
cmaps = ['viridis', 'plasma', 'coolwarm', 'hsv']
titles = ['Viridis (Sequential)', 'Plasma (Sequential)', 
          'Coolwarm (Diverging)', 'HSV (Cyclic)']

for ax, cmap, title in zip(axs.flat, cmaps, titles):
    im = ax.scatter(x, y, c=y, cmap=cmap)
    ax.set_title(title)
    plt.colorbar(im, ax=ax, label='how2matplotlib.com')

plt.tight_layout()
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子展示了四种不同类型的色彩映射在同一数据集上的效果，帮助你比较和选择最适合的色彩映射。

4. 自定义色彩映射

除了使用内置的色彩映射，Matplotlib 还允许用户创建自定义的色彩映射。这在需要特定颜色方案或品牌色时非常有用。

4.1 使用 LinearSegmentedColormap 创建自定义色彩映射

LinearSegmentedColormap 是创建自定义色彩映射的常用方法。以下是一个示例：

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

# 定义颜色列表
colors_list = ['#ff0000', '#00ff00', '#0000ff']

# 创建自定义色彩映射
n_bins = 100
cmap = colors.LinearSegmentedColormap.from_list('custom_cmap', colors_list, N=n_bins)

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

# 使用自定义色彩映射
plt.scatter(x, y, c=y, cmap=cmap)
plt.colorbar(label='how2matplotlib.com')
plt.title('Custom Colormap Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

在这个例子中，我们创建了一个从红色到绿色再到蓝色的自定义色彩映射。N 参数控制色彩映射的平滑程度。

4.2 使用 ListedColormap 创建离散色彩映射

对于离散的类别数据，可以使用 ListedColormap 创建自定义色彩映射：

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

# 定义颜色列表
colors_list = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']

# 创建自定义色彩映射
cmap = colors.ListedColormap(colors_list)

# 创建数据
categories = ['A', 'B', 'C', 'D']
values = np.random.rand(4)

# 使用自定义色彩映射
plt.bar(categories, values, color=cmap(range(4)))
plt.title('Custom ListedColormap Example')
plt.ylabel('how2matplotlib.com')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子创建了一个包含四种颜色的离散色彩映射，适用于表示不同类别的数据。

5. 色彩映射的高级应用

5.1 使用 Normalize 调整色彩映射范围

有时我们需要调整色彩映射的范围，以突出特定的数值区间。这可以通过 Normalize 类来实现：

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

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

# 创建 Normalize 对象
norm = colors.Normalize(vmin=-0.5, vmax=0.5)

# 使用 Normalize 对象
plt.scatter(x, y, c=y, cmap='viridis', norm=norm)
plt.colorbar(label='how2matplotlib.com')
plt.title('Colormap with Normalize Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

在这个例子中，我们将色彩映射的范围限制在 -0.5 到 0.5 之间，使得这个范围内的值能够得到更好的颜色区分。

5.2 使用 LogNorm 创建对数色彩映射

对于跨越多个数量级的数据，使用对数色彩映射可能更合适：

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

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

# 使用 LogNorm
plt.scatter(x, y, c=y, cmap='viridis', norm=colors.LogNorm())
plt.colorbar(label='how2matplotlib.com')
plt.title('Colormap with LogNorm Example')
plt.yscale('log')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子展示了如何使用 LogNorm 来创建对数色彩映射，适用于可视化指数增长的数据。

5.3 使用 BoundaryNorm 创建离散色彩映射

有时我们需要将连续数据映射到离散的颜色区间。这可以通过 BoundaryNorm 实现：

import matplotlib.pyplot as plt
import matplotlib.colors as colors
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]
cmap = plt.get_cmap('RdYlBu')
norm = colors.BoundaryNorm(bounds, cmap.N)

# 使用 BoundaryNorm
plt.scatter(x, y, c=y, cmap=cmap, norm=norm)
plt.colorbar(label='how2matplotlib.com', ticks=bounds)
plt.title('Colormap with BoundaryNorm Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子将连续的正弦函数值映射到四个离散的颜色区间，使得数据的分类更加明显。

6. 色彩映射在不同类型图表中的应用

色彩映射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）

热图是色彩映射最常见的应用之一：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data = np.random.rand(10, 10)

# 创建热图
plt.imshow(data, cmap='YlOrRd')
plt.colorbar(label='how2matplotlib.com')
plt.title('Heatmap Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子创建了一个使用 YlOrRd 色彩映射的热图，适合表示密度或强度数据。

6.2 等高线图（Contour Plot）

等高线图是另一种常见的色彩映射应用：

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)

# 创建等高线图
plt.contourf(X, Y, Z, cmap='coolwarm')
plt.colorbar(label='how2matplotlib.com')
plt.title('Contour Plot Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子创建了一个使用 coolwarm 色彩映射的等高线图，适合表示二维平面上的函数值分布。

6.3 3D 表面图

色彩映射也可以应用于 3D 图表：

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

# 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(np.sqrt(X**2 + Y**2))

# 创建 3D 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='how2matplotlib.com')
ax.set_title('3D Surface Plot Example')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子展示了如何在 3D 表面图中应用 viridis 色彩映射，使得高度信息更加直观。

7. 色彩映射的最佳实践

为了更好地使用色彩映射，以下是一些最佳实践建议：

  1. 选择适合数据类型的色彩映射
  2. 考虑色盲友好的色彩映射
  3. 避免使用彩虹色彩映射（如 jet），因为它可能会产生误导
  4. 使用连续的色彩映射来表示连续数据
  5. 为色彩映射添加清晰的图例或颜色条
  6. 考虑数据的范围，必要时使用对数色彩映射
  7. 在黑白打印时保持可读性

7.1 比较不同色彩映射的效果

以下是一个比较不同色彩映射效果的综合示例：

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)

# 创建子图
fig, axs = plt.subplots(2, 3, figsize=(15, 10))

# 使用不同的色彩映射
cmaps = ['viridis', 'plasma', 'inferno', 'magma', 'cividis', 'twilight']

for ax, cmap in zip(axs.flat, cmaps):
    im = ax.contourf(X, Y, Z, cmap=cmap)
    ax.set_title(cmap)
    plt.colorbar(im, ax=ax, label='how2matplotlib.com')

plt.tight_layout()
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子比较了六种不同的色彩映射在同一数据集上的效果，帮助你选择最适合的色彩映射。

8. 色彩映射的性能考虑

在处理大型数据集时，色彩映射的性能也是一个需要考虑的因素。以下是一些提高性能的建议：

  1. 使用 pcolormesh 代替 imshow 来绘制大型 2D 数组
  2. 对于非常大的数据集，考虑使用降采样或聚合技术
  3. 使用 rasterized=True 参数来减少生成的 PDF 或 SVG 文件大小

以下是一个使用 pcolormesh 的示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建大型数据集
x = np.linspace(0, 10, 1000)
y = np.linspace(0, 10, 1000)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# 使用 pcolormesh
plt.figure(figsize=(10, 8))
plt.pcolormesh(X, Y, Z, cmap='viridis', shading='auto')
plt.colorbar(label='how2matplotlib.com')
plt.title('Pcolormesh Example for Large Datasets')
plt.show()
Python

Output:

Matplotlib 色彩映射：如何使用和自定义颜色方案

这个例子展示了如何使用 pcolormesh 来高效地绘制大型 2D 数组，适用于处理大规模数据集。

9. 色彩映射的动画效果

色彩映射也可以用于创建动画效果，以下是一个简单的动画示例：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation

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

# 初始化图表
fig, ax = plt.subplots()
im = ax.imshow(np.zeros((100, 100)), cmap='viridis', animated=True)
plt.colorbar(label='how2matplotlib.com')

# 更新函数
def update(frame):
    Z = np.sin(X + frame/10) * np.cos(Y + frame/10)
    im.set_array(Z)
    return [im]

# 创建动画
anim = FuncAnimation(fig, update, frames=100, interval=50, blit=True)
plt.title('Animated Colormap Example')
plt.show()
Python

这个例子创建了一个动态变化的色彩映射动画，展示了如何使用 FuncAnimation 来创建动画效果。

10. 结论

Matplotlib 的色彩映射功能为数据可视化提供了强大而灵活的工具。通过合理选择和使用色彩映射，我们可以更有效地传达数据信息，突出重要特征，并创造出美观的可视化效果。

本文详细介绍了 Matplotlib 色彩映射的概念、类型、使用方法和最佳实践。我们探讨了内置色彩映射的种类，如何选择合适的色彩映射，以及如何创建自定义色彩映射。此外，我们还讨论了色彩映射在不同类型图表中的应用，以及一些高级技巧和性能考虑。

通过掌握这些知识和技巧，你将能够更好地利用 Matplotlib 的色彩映射功能，创造出既美观又富有洞察力的数据可视化作品。记住，选择合适的色彩映射不仅能增强数据的可读性，还能帮助观众更直观地理解数据背后的故事。

最后，建议在实际应用中多尝试不同的色彩映射，并根据具体的数据特征和可视化目标来选择最合适的方案。同时，也要考虑到色盲友好性和打印效果等因素，确保你的可视化作品能够被更广泛的受众所理解和欣赏。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Matplotlib 精品教程

登录

找回密码？

注册