Matplotlib Colormaps

W Python jedna z najgorszych używanych bibliotek jest matplotlib. John Hunter stworzył go w 2002 roku jako biblioteka wieloplatformowa, która może działać w różnych systemach operacyjnych. Metoda cmap () w pakiecie MATPlotlib zapewnia liczne wbudowane colormaps. Komponent pyplot biblioteki Matplotlib oferuje interfejs podobny do MATLAB. Pomaga także w knowaniu linii, wykresów 3D, prętów, konturów i wykresów rozproszonych,.

Ponadto Colormaps są często klasyfikowane jako sekwencyjne, rozbieżne, jakościowe lub cykliczne, w zależności od ich funkcjonalności. Odwrócona forma większości standardowych Colormaps można uzyskać, włączając „_r” do nazwy. Matplotlib oferuje kilka rozwiniętych colormaps, do których można uzyskać dostęp za pośrednictwem matplotlib.cm.Dostawać.cmap. W tym artykule porozmawiamy o Matplotlib Colormaps w Python.

Tworzenie naszego Colormap:

Zmodyfikujemy i opracujemy nasze Colormaps, jeśli potrzebujemy wyrafinowanych kolorów lub jeśli predefiniowane kolory MATPlotlib nie spełniają naszych wymagań. Próbując dopasować Colormap do wzoru, jest znacznie trudniejsze do zaprojektowania i stworzenia. Wizualizacja zawartą w panelu lub stronie internetowej za pomocą wcześniej istniejącego motywu kolorów.

importować matplotlib.Pyplot as Plt
importować Numpy jako NP
Data = NP.losowy.losowy ([140, 140]) * 20
plt.Rysunek (rysunek = (8, 8))
plt.pcolormesh (dane)
plt.colorbar ()

W tym scenariuszu dokonajmy pewnych zmian w naszych Colormaps. Musimy zintegrować biblioteki, a następnie użyć tego programu do tworzenia przykładowych danych, które byłyby wyświetlane. Element danych to zbiór wartości całki 140 x 140 od ​​0 do 20.

Możemy to ocenić, wdrażając kolejne polecenie. Następnie używamy tej metody do wyświetlania pozornego zestawu danych za pomocą zwykłych Colormaps. Jeśli jednak nie wskazaliśmy na korzystacze, które wykorzystaliśmy, zostaną opracowane domyślne colormaps.

Klasy Colormaps:

Sekwencyjne kolormy, cykliczne kolorapaps, rozbieżne kolory i jakościowe kolory to niektóre klasy Colormaps dostępnych w Matplotlib. Damy wam reprezentacje każdego skategoryzowanego colormap.

importować Numpy jako NP
importować matplotlib.Pyplot as 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.sin (x + t/6)
Ryc = plt.Rysunek (rysunek = (14,5.5))
Figa.podwplots_adjust (WSPACE = 0.4)
plt.wątek (1,4,1)
plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap („Greens”))
plt.colorbar ()
plt.oś ([ -2, 2, -2, 2])
plt.tytuł („sekwencyjny”)
plt.wątek (1,4,2)
plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap („rdbu”))
plt.colorbar ()
plt.oś ([ -1, 1, -1, 1])
plt.Tytuł („rozbieżne”)
plt.wątek (1,4,3)
plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap ('rdbu_r'))
plt.colorbar ()
plt.oś ([ -1, 1, -1, 1])
plt.Tytuł („cykliczny”)
plt.wątek (1,4,4)
plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap („dark2”))
plt.colorbar ()
plt.oś ([ -3, 3, -3, 3])
plt.Tytuł („jakościowy”)

Sekwencyjne kolorapaty oznacza postępową zmianę luminancji i intensywności kolorów, często używając tylko jednego tonu; musi być potrzebne do zademonstrowania danych z sekwencją.

Rozbieżne kolory: Reprezentuje zmianę lekkości i być może intensywność dwóch oddzielnych odcieni, które osiągają konsensus w nienasyconym kolorze. Ten styl można wykorzystać, gdy zmapowane dane zawierają odpowiednią wartość środkową, taką jak topologia, lub jeśli dane odchylają się od zera.

Cykliczne kolory: Pokazuje przejście w intensywności dwóch kolorów przecinających się w środku i uruchamianie/zakończenie z nienasyconym tonem. Te kolory mogą być używane do elementów obracających się wokół zacisków, takich jak kąt fazowy, wzorce wiatru lub czas trwania dnia.

Kolormy jakościowe: Różnorodne odcienie używane do przedstawiania danych, które nie zawierają żadnego zamówienia ani powiązania.

Kolormy są zwykle podzielone na te grupy na podstawie ich celów.

Zastosowanie wbudowanego colormap MATPlotlib:

Wybieranie odpowiedniego kolormy to uzyskanie dobrego opisu naszego punktu danych w 3D Colormap. Kryterium colormap, zwłaszcza, w którym identyczne etapy danych są interpretowane jako podobne etapy w przestrzeni kolorów, jest optymalnym wyborem do wielu celów.

Naukowcy odkryli, że nasz mózg rozpoznaje zmiany parametru jasności, ponieważ dane zmieniają się znacznie lepiej niż warianty kolorów. W rezultacie obserwator łatwo zrozumie Colormaps z konsekwentnym wzrostem jasności w całym modelu kolorów.

importować Numpy jako NP
importować matplotlib.Pyplot as Plt
x, y = np.MGRID [-6: 6: 0.06, -6: 6: 0.06]
Z = (NP.sqrt (x ** 4 + y ** 4) + np.sin (x ** 4 + y ** 4))
Ryc, ax = plt.wątki (1,1)
im = ax.imshow (z)
Figa.Colorbar (IM)
topór.Yaxis.set_major_locator (plt.Nulllocator ())
topór.Xaxis.set_major_locator (plt.Nulllocator ())

Jako klasa mixin, obiekty utworzone metodami takimi jak pcolor (), contour (), sctrat () i imShow () podtypowe scalarmaptable. Zajęcia mixin zawierają wspólne cechy, ale nie mają na celu „stać w ich własnym”, nie są one główną klasą obiektu. To pozwala na różne obiekty, takie jak kolekcja dostarczona przez POCLOR () lub rozproszenie (), oraz obraz wyprodukowany przez IMSHOW (), na udostępnienie infrastruktury Colormap.

Domyślne kolory w MATPlotlib:

Matplotlib zawiera ogromną liczbę predefiniowanych kolorów, jak pokazano tutaj. Różne biblioteki z dużą liczbą dodatkowych koloru są dostępne w Matplotlib. Chodźmy dalej i wypróbuj cztery różne matplotlib colormaps.

importować Numpy jako NP
importować matplotlib.Pyplot as Plt
x, y = np.MGRID [-6: 6: 0.06, -6: 6: 0.06]
Z = (NP.sqrt (x ** 4 + y ** 4) + np.sin (x ** 4 + y ** 4))
z mpl_toolkits.AXES_GRID1 Importuj make_axes_locatable
Ryc, osie = plt.wątki (2,2, figSize = (20,20))
W przypadku AX, nazwa w suwaku (osie.flatten (), cmap_list):
im = ax.Imshow (z, aspekt = „auto”, cmap = plt.get_cmap (nazwa))
topór.Yaxis.set_major_locator (plt.Nulllocator ())
topór.Xaxis.set_major_locator (plt.Nulllocator ())
topór.set_aspect („równy”, regulble = 'box')
dzielnik = make_axes_locatable (ax)
cax = dzielnik.append_axes („right”, size = "6%", pad = 0.2)
plt.colorbar (IM, cax = cax)

Odwrócony wariant większości wstępnie ustawionych kolorów można uzyskać przez wstawienie „_r” do etykiety. Matplotlib.cm.Pobierz CMAP (Nazwa), tutaj przekazujemy nazwę parametru do tej funkcji, która pokazuje nazwę colormap, może być użyta do ich uzyskania.

Wszelkie określone Colormaps są identyfikowane przez funkcję get_cmap (). Użyj matplotlib.cm.Rejestr_cmap (nazwa, cmap), aby zarejestrować dowolne colormap.

Wniosek:

W tym artykule omówiliśmy matplotlib colormaps. Ponadto omówiliśmy zastosowanie funkcji cmap () w Pythonie. Ze względu na postrzeganie ludzkiego umysłu wybór odpowiedniego odcienia dla naszych Colormaps ma kluczowe znaczenie. Kolor komunikuje myśli, sentymenty i uczucia. Matplotlib ma różne kolory, ale niektórzy ludzie mają wyraźne preferencje, jeśli chodzi o kolormy. W MATPlotlib mamy możliwość generowania i edytowania naszych Colormaps. Wykorzystaliśmy „RDYLBU_R'COLORMAPS do oceny danych przed zmodyfikowaniem colormaps.