Matplotlib Colormaps

In Python ist Matplotlib eine der am weitesten verbrauchten Bibliotheken. John Hunter hat es 2002 als Multi-Plattform-Bibliothek geschaffen, die auf einer Vielzahl von Betriebssystemen ausgeführt werden könnte. Die CMAP () -Methode im Matplotlib-Paket bietet zahlreiche integrierte Colormaps. Die Pyplot-Komponente der Matplotlib-Bibliothek bietet eine matlabähnliche Schnittstelle. Es hilft unter anderem auch die Darstellung von Linien, 3D -Diagrammen, Balken, Konturen und Streudiagrammen.

Darüber hinaus werden Colormaps in Abhängigkeit von ihrer Funktionalität häufig als sequentiell, unterschiedlich, qualitativ oder zyklisch eingestuft. Eine zurückverkehrte Form der meisten Standard -Colormaps kann durch Einbeziehen von '_r' in den Namen erworben werden. Matplotlib bietet mehrere entwickelte Colormaps an, auf die über Matplotlib zugegriffen werden kann.cm.erhalten.CMAP. In diesem Artikel werden wir über die Matplotlib Colormaps in Python sprechen.

Erstellen unseres Colormap:

Wir werden unsere Colormaps ändern und entwickeln, wenn wir anspruchsvolle Colormaps benötigen oder wenn die Matplotlib -vordefinierten Kolormaps unsere Anforderungen nicht erfüllen. Wenn Sie versuchen, einen Colormap in ein Muster zu passen, ist es wesentlich schwieriger zu entwerfen und zu kreieren. Eine Visualisierung, die in einem Panel oder einer Webseite mit einem bereits bestehenden Farbthema integriert ist.

Matplotlib importieren.Pyplot als PLT
Numph als NP importieren
Data = np.willkürlich.zufällig ([140, 140]) * 20
PLT.Abbildung (AbbSize = (8, 8))
PLT.pcolormesh (Daten)
PLT.Farbbalken()

Lassen Sie uns in diesem Szenario einige Änderungen mit unseren Colormaps vornehmen. Wir müssen Bibliotheken integrieren und dieses Programm dann verwenden, um Beispieldaten zu erstellen, die angezeigt werden. Das Datenelement ist eine Sammlung von 140 x 140 integralen Werten von 0 bis 20.

Wir können es bewerten, indem wir den nachfolgenden Befehl implementieren. Danach verwenden wir diese Methode, um den Scheindatensatz mit üblichen Colormaps anzuzeigen. Wenn wir jedoch nicht die von uns verwendeten ColorMaps angegeben haben, werden die Standard -Colormaps entwickelt.

Klassen von Colormaps:

Sequentielle Colormaps, cyclische Colormaps, divergierende Colormaps und qualitative Kolormaps sind einige Klassen der in Matplotlib erhältlichen Colormaps. Wir werden Ihnen Darstellungen jedes kategorisierten Colormap geben.

Numph als NP importieren
Matplotlib importieren.Pyplot als PLT
x = np.Linspace (-np.PI, NP.pi, 60)
y = np.Linspace (-np.PI, NP.pi, 60)
X, y = np.Meshgrid (x, y)
Z = np.Sünde (x + y/6)
Abb = PLT.Abbildung (Figsize = (14,5).5)))
Feige.subplots_adjust (Wspace = 0.4)
PLT.Nebenhandlung (1,4,1)
PLT.pcolormesh (x, y, z, cmap = pLT.cm.get_cmap ('greens'))
PLT.Farbbalken()
PLT.Achse ([ -2, 2, -2, 2])
PLT.Titel ('sequentiell')
PLT.Nebenhandlung (1,4,2)
PLT.pcolormesh (x, y, z, cmap = pLT.cm.get_cmap ('rdbu'))
PLT.Farbbalken()
PLT.Achse ([ -1, 1, -1, 1])
PLT.Titel ('Diverging')
PLT.Nebenhandlung (1,4,3)
PLT.pcolormesh (x, y, z, cmap = pLT.cm.get_cmap ('rdbu_r'))
PLT.Farbbalken()
PLT.Achse ([ -1, 1, -1, 1])
PLT.Titel ('cyclisch')
PLT.Nebenhandlung (1,4,4)
PLT.pcolormesh (x, y, z, cmap = pLT.cm.get_cmap ('dark2'))
PLT.Farbbalken()
PLT.Achse ([ -3, 3, -3, 3])
PLT.Titel ('qualitativ')

Sequentielle Kolormaps bedeuten eine fortschreitende Änderung der Farbluminanz und -intensität, die häufig nur einen Ton verwendet. Es muss erforderlich sein, um Daten mit Sequenz zu demonstrieren.

Diverging Colormaps: Es repräsentiert eine Variation der Leichtigkeit und möglicherweise die Intensität von zwei getrennten Farbtönen, die einen Konsens in einer ungesättigten Farbe erreichen. Dieser Stil kann verwendet werden, wenn die zugeordneten Daten einen relevanten mittleren Wert wie Topologie enthalten oder wenn die Daten von Null abweichen.

Cyclic Colormaps: Es zeigt einen Übergang in der Intensität von zwei Farben, die sich in der Mitte schneiden und mit einem ungesättigten Ton beginnen/enden. Diese Colormaps können für Elemente verwendet werden, die sich um die Terminals wie Phasenwinkel, Windmuster oder Tagesdauer drehen.

Qualitative Colormaps: Eine Vielzahl von Farbtönen, die zur Darstellung von Daten verwendet werden, die keine Reihenfolge oder Assoziation enthalten.

Colormaps werden normalerweise aufgrund ihrer Zwecke in diese Gruppen eingeteilt.

Verwendung eines Matplotlib-eingebauten Colormap:

Auswahl eines geeigneten Colormap besteht darin, eine gute Beschreibung unseres Datenpunkts in einem 3D -Colormap zu erhalten. Ein Kriterium Colormap, insbesondere wenn identische Stadien in Daten als ähnliche Phasen im Farbraum interpretiert werden, ist für viele Zwecke die optimale Wahl.

Die Forscher stellten fest, dass unser Gehirn Variationen des Helligkeitsparameters erkennt, da sich die Daten erheblich besser verändern als Farbvariationen. Infolgedessen versteht der Beobachter Colormaps leicht mit einer konsistenten Zunahme der Helligkeit während des gesamten Farbmodells.

Numph als NP importieren
Matplotlib importieren.Pyplot als PLT
x, y = np.Mgrid [-6: 6: 0.06, -6: 6: 0.06]
z = (NP.sqrt (x ** 4 + y ** 4) + np.Sünde (x ** 4 + y ** 4))
Fig, Ax = PLT.Nebenhandlungen (1,1)
IM = AX.IMshow (z)
Feige.Colorbar (IM)
Axt.Yaxis.set_major_locator (plt.Nulllocator ())
Axt.xaxis.set_major_locator (plt.Nulllocator ())

Als Mixin -Klasse, Objekte, die von Methoden wie pcolor (), contour (), scatter () und iMshow () subtyp skalarmanappell erstellt wurden. Mixin -Kurse enthalten gemeinsame Merkmale, sind jedoch nicht dazu gedacht, „in ihren eigenen zu stehen“. Sie sind nicht die Hauptklasse des Objekts. Dies ermöglicht unterschiedliche Objekte, wie die Sammlung von Poclor () oder Scatter () und dem von IMshow () produzierten Bild, um eine Colormap -Infrastruktur zu teilen.

Standard Colormaps in Matplotlib:

Matplotlib enthält eine Vielzahl von vordefinierten Colormaps, wie hier gezeigt. Verschiedene Bibliotheken mit einer großen Anzahl zusätzlicher Colormaps sind in der Matplotlib bereitgestellt. Lassen Sie uns vier verschiedene Matplotlib Colormaps ausprobieren.

Numph als NP importieren
Matplotlib importieren.Pyplot als PLT
x, y = np.Mgrid [-6: 6: 0.06, -6: 6: 0.06]
z = (NP.sqrt (x ** 4 + y ** 4) + np.Sünde (x ** 4 + y ** 4))
Von MPL_TOOLKITS.axes_grid1 import make_axes_locatable
Fig., Achsen = PLT.Nebenhandlungen (2,2, Figsize = (20,20))
Für AX, Name in Reißverschluss (Achsen.flacher (), cmap_list):
IM = AX.IMshow (Z, Aspekt = 'Auto', CMAP = PLT.get_cmap (Name))
Axt.Yaxis.set_major_locator (plt.Nulllocator ())
Axt.xaxis.set_major_locator (plt.Nulllocator ())
Axt.set_aspect ('Equal', einstellbar = 'Box')
Divider = make_axes_locatable (AX)
Cax = Teiler.append_axes ("rechts", size = "6%", pad = 0.2)
PLT.ColorBar (IM, Cax = Cax)

Eine umgekehrte Variante der meisten voreingestellten Colormaps kann durch Einfügen von '_r' in das Etikett erhalten werden. Matplotlib.cm.GET CMAP (Name), hier übergeben wir Parameternamen an diese Funktion, die den Colormap -Namen zeigt, kann verwendet werden, um diese zu erwerben.

Alle angegebenen Kolormaps werden durch die Funktion get_cmap () identifiziert. Verwenden Sie Matplotlib.cm.Register_cmap (Name, CMAP), um Colormap zu registrieren.

Abschluss:

Wir haben Matplotlib Colormaps in diesem Artikel behandelt. Darüber hinaus haben wir die Verwendung von Funktion cmap () in Python diskutiert. Aufgrund der Wahrnehmung des menschlichen Geistes ist es kritisch, den richtigen Farbton für unsere Colormaps zu wählen. Color vermittelt Gedanken, Gefühle und Gefühle. Matplotlib hat eine Vielzahl von Colormaps. In Matplotlib können wir unsere Colormaps generieren und bearbeiten. Wir haben die'Rdylbu_r'colormaps verwendet, um die Daten zu bewerten, bevor wir die Colormaps ändern.