注意

要下载完整示例代码，请转到末尾。

从颜色列表创建色谱#

有关创建和操作色谱的更多详细信息，请参阅在 Matplotlib 中创建色谱。

可以利用LinearSegmentedColormap.from_list 方法，从颜色列表创建色谱。您必须传递一个 RGB 元组列表，它们定义了从 0 到 1 的颜色混合。

创建自定义色谱#

也可以为色谱创建自定义映射。这可以通过创建一个字典来实现，该字典指定 RGB 通道如何从色谱的一端变化到另一端。

示例：假设您希望红色在下半部分从 0 增加到 1，绿色在中间部分做同样的事情，蓝色在上半部分做同样的事情。那么您将使用

cdict = {
    'red': (
        (0.0,  0.0, 0.0),
        (0.5,  1.0, 1.0),
        (1.0,  1.0, 1.0),
    ),
    'green': (
        (0.0,  0.0, 0.0),
        (0.25, 0.0, 0.0),
        (0.75, 1.0, 1.0),
        (1.0,  1.0, 1.0),
    ),
    'blue': (
        (0.0,  0.0, 0.0),
        (0.5,  0.0, 0.0),
        (1.0,  1.0, 1.0),
    )
}

如果像本例一样，r、g 和 b 分量中没有不连续性，那么这很简单：上面每个元组的第二个和第三个元素是相同的——称之为“y”。第一个元素（“x”）定义了 0 到 1 整个范围内的插值区间，并且它必须覆盖整个范围。换句话说，x 的值将 0 到 1 的范围划分为一组段，而 y 给出每个段的端点颜色值。

现在考虑绿色，cdict['green'] 表示：

  • 当 0 <= x <= 0.25 时，y 为零；没有绿色。

  • 当 0.25 < x <= 0.75 时，y 从 0 线性变化到 1。

  • 当 0.75 < x <= 1 时，y 保持为 1，完全绿色。

如果存在不连续性，则情况会稍微复杂一些。将给定颜色的 cdict 条目中每行的 3 个元素标记为 (x, y0, y1)。那么对于 x 在 x[i] 和 x[i+1] 之间的值，颜色值会在 y1[i] 和 y0[i+1] 之间进行插值。

回到一个示例

cdict = {
    'red': (
        (0.0,  0.0, 0.0),
        (0.5,  1.0, 0.7),
        (1.0,  1.0, 1.0),
    ),
    'green': (
        (0.0,  0.0, 0.0),
        (0.5,  1.0, 0.0),
        (1.0,  1.0, 1.0),
    ),
    'blue': (
        (0.0,  0.0, 0.0),
        (0.5,  0.0, 0.0),
        (1.0,  1.0, 1.0),
    )
}

并查看 cdict['red'][1]；因为 y0 != y1，它表示当 x 从 0 到 0.5 时，红色从 0 增加到 1，但随后跳回，因此当 x 从 0.5 到 1 时，红色从 0.7 增加到 1。绿色在 x 从 0 到 0.5 变化时从 0 逐渐变为 1，然后跳回 0，并在 x 从 0.5 到 1 变化时再次逐渐变为 1。

row i:   x  y0  y1
               /
              /
row i+1: x  y0  y1

以上试图表明，对于范围在 x[i] 到 x[i+1] 之间的 x，插值在 y1[i] 和 y0[i+1] 之间进行。因此，y0[0] 和 y1[-1] 从未使用。

import matplotlib.pyplot as plt
import numpy as np

import matplotlib as mpl
from matplotlib.colors import LinearSegmentedColormap

# Make some illustrative fake data:

x = np.arange(0, np.pi, 0.1)
y = np.arange(0, 2 * np.pi, 0.1)
X, Y = np.meshgrid(x, y)
Z = np.cos(X) * np.sin(Y) * 10

从列表创建色谱#

colors = [(1, 0, 0), (0, 1, 0), (0, 0, 1)]  # R -> G -> B
n_bins = [3, 6, 10, 100]  # Discretizes the interpolation into bins
cmap_name = 'my_list'
fig, axs = plt.subplots(2, 2, figsize=(6, 9))
fig.subplots_adjust(left=0.02, bottom=0.06, right=0.95, top=0.94, wspace=0.05)
for n_bin, ax in zip(n_bins, axs.flat):
    # Create the colormap
    cmap = LinearSegmentedColormap.from_list(cmap_name, colors, N=n_bin)
    # Fewer bins will result in "coarser" colomap interpolation
    im = ax.imshow(Z, origin='lower', cmap=cmap)
    ax.set_title("N bins: %s" % n_bin)
    fig.colorbar(im, ax=ax)
N bins: 3, N bins: 6, N bins: 10, N bins: 100

自定义色谱#

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),
    )
}

# Make a modified version of cdict3 with some transparency
# in the middle 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),
    ),
}

现在我们将使用此示例来说明处理自定义色谱的两种方法。首先，最直接和显式的方法

blue_red1 = LinearSegmentedColormap('BlueRed1', cdict1)

其次，显式创建并注册该映射。与第一种方法类似，此方法适用于任何类型的色谱，而不仅仅是 LinearSegmentedColormap。

mpl.colormaps.register(LinearSegmentedColormap('BlueRed2', cdict2))
mpl.colormaps.register(LinearSegmentedColormap('BlueRed3', cdict3))
mpl.colormaps.register(LinearSegmentedColormap('BlueRedAlpha', cdict4))

创建包含 4 个子图的图形

fig, axs = plt.subplots(2, 2, figsize=(6, 9))
fig.subplots_adjust(left=0.02, bottom=0.06, right=0.95, top=0.94, wspace=0.05)

im1 = axs[0, 0].imshow(Z, cmap=blue_red1)
fig.colorbar(im1, ax=axs[0, 0])

im2 = axs[1, 0].imshow(Z, cmap='BlueRed2')
fig.colorbar(im2, ax=axs[1, 0])

# Now we will set the third cmap as the default.  One would
# not normally do this in the middle of a script like this;
# it is done here just to illustrate the method.

plt.rcParams['image.cmap'] = 'BlueRed3'

im3 = axs[0, 1].imshow(Z)
fig.colorbar(im3, ax=axs[0, 1])
axs[0, 1].set_title("Alpha = 1")

# Or as yet another variation, we can replace the rcParams
# specification *before* the imshow with the following *after*
# imshow.
# This sets the new default *and* sets the colormap of the last
# image-like item plotted via pyplot, if any.
#

# Draw a line with low zorder so it will be behind the image.
axs[1, 1].plot([0, 10 * np.pi], [0, 20 * np.pi], color='c', lw=20, zorder=-1)

im4 = axs[1, 1].imshow(Z)
fig.colorbar(im4, ax=axs[1, 1])

# Here it is: changing the colormap for the current image and its
# colorbar after they have been plotted.
im4.set_cmap('BlueRedAlpha')
axs[1, 1].set_title("Varying alpha")

fig.suptitle('Custom Blue-Red colormaps', fontsize=16)
fig.subplots_adjust(top=0.9)

plt.show()
Custom Blue-Red colormaps, Alpha = 1, Varying alpha

参考

本示例展示了以下函数、方法、类和模块的使用

标签: 样式: 色谱 绘图类型: imshow 级别: 中等

脚本总运行时间: (0 分 2.105 秒)

由 Sphinx-Gallery 生成的画廊

在此页