Python 中的 matplotlib . colors . linearsegmented color map 类
原文:https://www . geesforgeks . org/matplotlib-colors-linear segmented color map-python 中的类/
Matplotlib 是 Python 中一个惊人的可视化库，用于数组的 2D 图。Matplotlib 是一个多平台数据可视化库，构建在 NumPy 数组上，旨在与更广泛的 SciPy 堆栈一起工作。
matplot lib . colors . linear segmentdcolarmap
matplotlib . colors . linearsegmented colarmap类属于 matplotlib.colors 模块。matplotlib.colors 模块用于将颜色或数字参数转换为 RGBA 或 RGB。该模块用于将数字映射到颜色，或者在一维颜色数组(也称为颜色映射)中进行颜色规格转换。 matplotlib . colors . linearsegmented color map 类用于在线性线段的帮助下，基于查找表对对象进行颜色映射。当 0-1 域将每个原色分成任意数量的段时，通过线性插值生成查找表。它还可以用于从线性映射线段创建颜色映射。一个名为段数据的字典由红色、蓝色和绿色条目组成。每个条目都需要是 x，y0，y1 元组的列表，从而创建表的行。需要注意的是，alpha 条目是可选的。 例如，假设您希望红色从 0 增加到 1，绿色做同样的事情，但是在中间的一半，蓝色在上面的一半。那么你可以使用下面的字典:
seg_data_dict = { '红色':[(0.0，0.0，0.0)， (0.5，1.0，1.0)， (1.0，1.0，1.0)]， '绿色':[(0.0，0.0，0.0)， (0.25，0.0，0.0)， (0.75，1.0，1.0)， (1.0，1.0
表中给定颜色的每一行都是元组 x，y0，y1 的序列。在每个序列中，x 必须从 0 到 1 单调递增。对于落在 x[i]和 x[i+1]之间的所有输入值 z，给定颜色的线性插值输出值在 y1[i]和 y0[i+1]之间:
第 I 行:x y0 y1 第 i+1 行:x y0 y1
因此，从不使用第一行的 y0 和最后一行的 y1。 方法类:
-
静态 from_list(名称，颜色，N=256，gamma=1.0): 此方法用于创建一个线性分段颜色映射，其名称来自一系列颜色，这些颜色从 val=0 时的颜色[0]均匀移动到 val=1 时的颜色[-1]。n 表示 rgb 量化级别的数量。此外，元组列表(值、颜色)会在范围内产生不均匀的划分。
-
反转(自身，名称=无):用于制作色彩映射的反转实例。 T3】参数:
- 名称:它是一个可选参数，接受字符串形式的反转颜色映射的名称。如果没有，该名称将设置为父 color map+“r”的名称。 返回:这个方法返回一个反转的颜色图。
-
set_gamma(self，gamma): 用于通过设置新的 gamma 值 来重新生成颜色图
例 1:
Python 3
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
# some dummy data
a = np.arange(0, np.pi, 0.1)
b = np.arange(0, 2 * np.pi, 0.1)
A, B = np.meshgrid(a, b)
X = np.cos(A) * np.sin(B) * 10
# custom segmented color dictionary
cdict1 = {'red': ((0.0, 0.0, 0.0),
(0.5, 0.0, 0.1),
(1.0, 1.0, 1.0)),
'green': ((0.0, 0.0, 0.0),
(1.0, 0.0, 0.0)),
'blue': ((0.0, 0.0, 1.0),
(0.5, 0.1, 0.0),
(1.0, 0.0, 0.0))
}
cdict2 = {'red': ((0.0, 0.0, 0.0),
(0.5, 0.0, 1.0),
(1.0, 0.1, 1.0)),
'green': ((0.0, 0.0, 0.0),
(1.0, 0.0, 0.0)),
'blue': ((0.0, 0.0, 0.1),
(0.5, 1.0, 0.0),
(1.0, 0.0, 0.0))
}
cdict3 = {'red': ((0.0, 0.0, 0.0),
(0.25, 0.0, 0.0),
(0.5, 0.8, 1.0),
(0.75, 1.0, 1.0),
(1.0, 0.4, 1.0)),
'green': ((0.0, 0.0, 0.0),
(0.25, 0.0, 0.0),
(0.5, 0.9, 0.9),
(0.75, 0.0, 0.0),
(1.0, 0.0, 0.0)),
'blue': ((0.0, 0.0, 0.4),
(0.25, 1.0, 1.0),
(0.5, 1.0, 0.8),
(0.75, 0.0, 0.0),
(1.0, 0.0, 0.0))
}
# Creating a modified version of cdict3
# with some transparency
# in the center of the range.
cdict4 = {**cdict3,
'alpha': ((0.0, 1.0, 1.0),
# (0.25, 1.0, 1.0),
(0.5, 0.3, 0.3),
# (0.75, 1.0, 1.0),
(1.0, 1.0, 1.0)),
}
blue_red1 = LinearSegmentedColormap('BlueRed1',
cdict1)
blue_red2 = LinearSegmentedColormap('BlueRed2',
cdict2)
plt.register_cmap(cmap = blue_red2)
# optional lut kwarg
plt.register_cmap(name ='BlueRed3',
data = cdict3)
plt.register_cmap(name ='BlueRedAlpha',
data = cdict4)
figure, axes = plt.subplots(2, 2,
figsize =(6, 9))
figure.subplots_adjust(left = 0.02,
bottom = 0.06,
right = 0.95,
top = 0.94,
wspace = 0.05)
# Making 4 different subplots:
img1 = axes[0, 0].imshow(X,
interpolation ='nearest',
cmap = blue_red1)
figure.colorbar(img1, ax = axes[0, 0])
cmap = plt.get_cmap('BlueRed2')
img2 = axes[1, 0].imshow(X,
interpolation ='nearest',
cmap = cmap)
figure.colorbar(img2, ax = axes[1, 0])
# set the third cmap as the default.
plt.rcParams['image.cmap'] = 'BlueRed3'
img3 = axes[0, 1].imshow(X,
interpolation ='nearest')
figure.colorbar(img3, ax = axes[0, 1])
axes[0, 1].set_title("1st Alpha")
# Draw a line with low zorder to
# keep it behind the image.
axes[1, 1].plot([0, 10 * np.pi],
[0, 20 * np.pi],
color ='c',
lw = 19,
zorder =-1)
img4 = axes[1, 1].imshow(X,
interpolation ='nearest')
figure.colorbar(img4, ax = axes[1, 1])
# Here it is: changing the colormap
# for the current image and its
# colorbar after they have been plotted.
img4.set_cmap('BlueRedAlpha')
axes[1, 1].set_title("Variation in alpha")
figure.subplots_adjust(top = 0.8)
plt.show()
输出:
例 2:
Python 3
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
# Make some illustrative fake data:
a = np.arange(0, np.pi, 0.1)
b = np.arange(0, 2 * np.pi, 0.1)
A, B = np.meshgrid(a, b)
X = np.cos(A) * np.sin(B) * 10
# colormap froma list
# R -> G -> B
list_colors = [(1, 0, 0),
(0, 1, 0),
(0, 0, 1)]
# Discretizes the interpolation
# into bins
all_bins = [3, 6, 10, 100]
cmap_name = 'my_list'
figure, axes = plt.subplots(2, 2,
figsize =(6, 9))
figure.subplots_adjust(left = 0.02,
bottom = 0.06,
right = 0.95,
top = 0.94,
wspace = 0.05)
for all_bin, ax in zip(all_bins, axes.ravel()):
# Making the the colormap
cm = LinearSegmentedColormap.from_list(
cmap_name,
list_colors,
N = all_bin)
im = ax.imshow(X, interpolation ='nearest',
origin ='lower', cmap = cm)
ax.set_title("bin: % s" % all_bin)
fig.colorbar(im, ax = ax)
输出:
版权属于：月萌API www.moonapi.com，转载请注明出处
