Matplotlib colarmaps

In Python, una delle librerie più ampiamente utilizzate è Matplotlib. John Hunter lo ha creato nel 2002 come una libreria multipiattaforma che potrebbe essere eseguita su una varietà di sistemi operativi. Il metodo CMAP () nel pacchetto MatplotLib fornisce numerosi Colormap integrati. Il componente Pyplot della libreria Matplotlib offre un'interfaccia simile a Matlab. Aiuta anche nella trama di linee, grafici 3D, barre, contorni e trame di dispersione, tra le altre cose.

Inoltre, i colormap sono spesso classificati come sequenziali, divergenti, qualitativi o ciclici, a seconda della loro funzionalità. Una forma ripristinata della maggior parte dei Colormap standard può essere acquisita includendo "_R" al nome. Matplotlib offre diversi colormap sviluppati a cui è possibile accedere tramite matplotlib.cm.Ottenere.cmap. In questo articolo, parleremo dei Matplotlib Colormaps in Python.

Creare il nostro Colormap:

Modificheremo e svilupperemo i nostri Colormaps se abbiamo bisogno di sofisticati colormap o se il matplotlib ha predefinito i colarmaps non soddisfano i nostri requisiti. Quando si cerca di inserire un colare in uno schema, è considerevolmente più difficile da progettare e creare. Una visualizzazione incorporata all'interno di un pannello o una pagina Web utilizzando un tema di colore preesistente.

Importa matplotlib.Pyplot come Plt
Importa Numpy come NP
data = np.casuale.casuale ([140, 140]) * 20
Plt.Figura (Figsize = (8, 8))
Plt.PCOLORMESH (dati)
Plt.colorbar ()

In questo scenario, facciamo alcune modifiche con i nostri Colormaps. Dobbiamo integrare le librerie e quindi utilizzare questo programma per creare dati di esempio che verrebbero visualizzati. L'elemento dati è una raccolta di valori integrali 140 x 140 che vanno da 0 a 20.

Possiamo valutarlo implementando il comando successivo. Successivamente, utilizziamo questo metodo per visualizzare il set di dati finto con le solite Colormaps. Tuttavia, se non indicassimo i Colormaps che abbiamo utilizzato, verranno sviluppati i Colormap predefiniti.

Classi di Colormaps:

Colormaps sequenziali, colormap ciclici, colormap divergenti e colarmap qualitativi sono alcune classi dei Colormaps disponibili in MatplotLib. Ti daremo rappresentazioni di ogni Colormap classificato.

Importa Numpy come NP
Importa matplotlib.Pyplot come 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 + y/6)
FIG = PLT.Figura (Figsize = (14,5.5))
Fico.subplots_adjust (wspace = 0.4)
Plt.sottotrama (1,4,1)
Plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap ('Greens'))
Plt.colorbar ()
Plt.asse ([ -2, 2, -2, 2])
Plt.Titolo ("sequenziale")
Plt.sottotrama (1,4,2)
Plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap ('rdbu'))
Plt.colorbar ()
Plt.asse ([ -1, 1, -1, 1])
Plt.Titolo ("Diverging")
Plt.sottotrama (1,4,3)
Plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap ('rdbu_r'))
Plt.colorbar ()
Plt.asse ([ -1, 1, -1, 1])
Plt.Titolo ('ciclico')
Plt.sottotrama (1,4,4)
Plt.pcolormesh (x, y, z, cmap = plt.cm.get_cmap ('dark2'))
Plt.colorbar ()
Plt.asse ([ -3, 3, -3, 3])
Plt.Titolo ('qualitativo')

Colormap sequenziali Significare un cambiamento progressivo nella luminanza e nell'intensità del colore, spesso usando un solo tono; Deve essere necessario dimostrare i dati con sequenza.

Colormap divergenti: Rappresenta una variazione di leggerezza e forse l'intensità di due tonalità separate che raggiungono un consenso a un colore insaturo. Questo stile può essere utilizzato quando i dati mappati contiene un valore medio pertinente, come la topologia o se i dati divergono da zero.

Colormaps ciclici: Mostra una transizione nell'intensità di due colori che si intersecano al centro e iniziano/terminano a un tono insaturo. Questi colormap possono essere utilizzati per elementi che ruotano attorno ai terminali, come l'angolo di fase, i modelli del vento o la durata del giorno.

Colormap qualitativi: Una varietà di tonalità utilizzate per rappresentare i dati che non contengono alcun tipo di ordine o associazione.

I colarmap sono generalmente classificati in questi gruppi in base ai loro scopi.

Utilizzo di un Colormap incorporato Matplotlib:

La selezione di un Colormap adatto è ottenere una buona descrizione del nostro punto dati in un Colormap 3D. Un criterio Colormap, in particolare in cui stadi identici nei dati sono interpretati come fasi simili nello spazio dei colori, è la scelta ottimale per molti scopi.

I ricercatori hanno scoperto che il nostro cervello riconosce le variazioni del parametro di luminosità poiché i dati cambiano considerevolmente meglio delle variazioni di colore. Di conseguenza, l'osservatore capirà facilmente i colarmap con un costante aumento della luminosità in tutto il modello di colore.

Importa Numpy come NP
Importa matplotlib.Pyplot come 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))
Fig, ax = PLT.sottotrame (1,1)
im = ax.imshow (z)
Fico.Colorbar (IM)
ascia.Yaxis.set_major_locator (plt.NullLocator ())
ascia.xaxis.set_major_locator (plt.NullLocator ())

Come classe di mixin, oggetti creati da metodi come pcolor (), contorno (), dispersione () e imshow () sottotipo scalarmappable. Le lezioni di mixin includono caratteristiche comuni ma non intendono "stare all'interno", non sono la classe principale dell'oggetto. Questo è ciò che consente a diversi oggetti, come la raccolta fornita da Poclor () o Scatter (), e l'immagine prodotta da IMSHOW (), di condividere un'infrastruttura CoLormap.

Colormap predefiniti in matplotlib:

Matplotlib include un vasto numero di colarmap predefiniti, come mostrato qui. Librarie diverse con un gran numero di colarips aggiuntivi sono fornite nel matplotlib. Andiamo avanti e proviamo quattro diversi matplotlib colarmaps.

Importa Numpy come NP
Importa matplotlib.Pyplot come 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))
da mpl_toolkit.axes_grid1 import make_axes_locatable
Fig, assi = PLT.sottotrame (2,2, figsize = (20,20))
Per l'ascia, nome in zip (assi.appiatting (), cmap_list):
im = ax.imshow (z, aspetto = 'auto', cmap = plt.get_cmap (nome))
ascia.Yaxis.set_major_locator (plt.NullLocator ())
ascia.xaxis.set_major_locator (plt.NullLocator ())
ascia.set_aspect ('uguale', regolabile = 'casella')
divider = make_axes_locatable (ax)
cax = divisore.append_axes ("a destra", size = "6%", pad = 0.2)
Plt.ColorBar (IM, CAX = CAX)

Una variante invertita della maggior parte dei colarmap preimpostati può essere ottenuta inserendo "_r" all'etichetta. Matplotlib.cm.Ottieni CMAP (nome), qui passiamo il nome del parametro a questa funzione che mostra il nome Colormap, può essere utilizzato per acquisirli.

Eventuali colarmap specificati sono identificati dalla funzione get_cmap (). Utilizza matplotlib.cm.register_cmap (nome, cmap) per registrare qualsiasi colormap.

Conclusione:

In questo articolo abbiamo coperto Matplotlib Colormaps. Inoltre, abbiamo discusso dell'uso della funzione cmap () in Python. A causa della percezione della mente umana, scegliere la tonalità adeguata per i nostri Colormaps è fondamentale. Il colore comunica pensieri, sentimenti e sentimenti. Matplotlib ha una varietà di colarmaps, ma alcune persone ottengono una preferenza distinta quando si tratta di Colormaps. In Matplotlib, abbiamo la possibilità di generare e modificare i nostri Colormaps. Abbiamo utilizzato The'rdylbu_r'Colormaps per valutare i dati prima di modificare i Colormaps.