注意
前往末尾下载完整示例代码。
在 Matplotlib 中创建色谱#
Matplotlib 有许多内置色谱，可以通过 matplotlib.colormaps 访问。还有一些外部库，例如 palettable，它们提供了许多额外的色谱。
然而，我们也可能想要创建或操作自己的色谱。这可以通过使用类 ListedColormap 或 LinearSegmentedColormap 来完成。这两个色谱类都将 0 到 1 之间的值映射到颜色。然而，它们之间存在差异，具体解释如下。
在手动创建或操作色谱之前，我们首先来看看如何从现有色谱类中获取色谱及其颜色。
获取色谱并访问其值#
首先，获取一个命名色谱（其中大多数列在 在 Matplotlib 中选择色谱 中）可以通过 matplotlib.colormaps 完成，它会返回一个色谱对象。用于内部定义色谱的颜色列表的长度可以通过 Colormap.resampled 进行调整。下面我们使用适中的值 8，这样就没有太多值需要查看。
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
from matplotlib.colors import LinearSegmentedColormap, ListedColormap
viridis = mpl.colormaps['viridis'].resampled(8)
对象 viridis 是一个可调用对象，当传入 0 到 1 之间的浮点数时，它会返回色谱中的 RGBA 值
print(viridis(0.56))
(np.float64(0.122312), np.float64(0.633153), np.float64(0.530398), np.float64(1.0))
ListedColormap#
ListedColormap 将其颜色值存储在 .colors 属性中。构成色谱的颜色列表可以直接使用 colors 属性访问，也可以通过调用 viridis 并传入与色谱长度匹配的值数组来间接访问。请注意，返回的列表是 RGBA (N, 4) 数组的形式，其中 N 是色谱的长度。
print('viridis.colors', viridis.colors)
print('viridis(range(8))', viridis(range(8)))
print('viridis(np.linspace(0, 1, 8))', viridis(np.linspace(0, 1, 8)))
viridis.colors [[0.267004 0.004874 0.329415 1. ]
[0.275191 0.194905 0.496005 1. ]
[0.212395 0.359683 0.55171 1. ]
[0.153364 0.497 0.557724 1. ]
[0.122312 0.633153 0.530398 1. ]
[0.288921 0.758394 0.428426 1. ]
[0.626579 0.854645 0.223353 1. ]
[0.993248 0.906157 0.143936 1. ]]
viridis(range(8)) [[0.267004 0.004874 0.329415 1. ]
[0.275191 0.194905 0.496005 1. ]
[0.212395 0.359683 0.55171 1. ]
[0.153364 0.497 0.557724 1. ]
[0.122312 0.633153 0.530398 1. ]
[0.288921 0.758394 0.428426 1. ]
[0.626579 0.854645 0.223353 1. ]
[0.993248 0.906157 0.143936 1. ]]
viridis(np.linspace(0, 1, 8)) [[0.267004 0.004874 0.329415 1. ]
[0.275191 0.194905 0.496005 1. ]
[0.212395 0.359683 0.55171 1. ]
[0.153364 0.497 0.557724 1. ]
[0.122312 0.633153 0.530398 1. ]
[0.288921 0.758394 0.428426 1. ]
[0.626579 0.854645 0.223353 1. ]
[0.993248 0.906157 0.143936 1. ]]
色谱是一个查找表，因此“过采样”色谱会返回最近邻插值（请注意下面列表中的重复颜色）
print('viridis(np.linspace(0, 1, 12))', viridis(np.linspace(0, 1, 12)))
viridis(np.linspace(0, 1, 12)) [[0.267004 0.004874 0.329415 1. ]
[0.267004 0.004874 0.329415 1. ]
[0.275191 0.194905 0.496005 1. ]
[0.212395 0.359683 0.55171 1. ]
[0.212395 0.359683 0.55171 1. ]
[0.153364 0.497 0.557724 1. ]
[0.122312 0.633153 0.530398 1. ]
[0.288921 0.758394 0.428426 1. ]
[0.288921 0.758394 0.428426 1. ]
[0.626579 0.854645 0.223353 1. ]
[0.993248 0.906157 0.143936 1. ]
[0.993248 0.906157 0.143936 1. ]]
LinearSegmentedColormap#
LinearSegmentedColormap 没有 .colors 属性。然而，仍然可以用整数数组或 0 到 1 之间的浮点数组调用该色谱。
copper = mpl.colormaps['copper'].resampled(8)
print('copper(range(8))', copper(range(8)))
print('copper(np.linspace(0, 1, 8))', copper(np.linspace(0, 1, 8)))
copper(range(8)) [[0. 0. 0. 1. ]
[0.17647055 0.1116 0.07107143 1. ]
[0.35294109 0.2232 0.14214286 1. ]
[0.52941164 0.3348 0.21321429 1. ]
[0.70588219 0.4464 0.28428571 1. ]
[0.88235273 0.558 0.35535714 1. ]
[1. 0.6696 0.42642857 1. ]
[1. 0.7812 0.4975 1. ]]
copper(np.linspace(0, 1, 8)) [[0. 0. 0. 1. ]
[0.17647055 0.1116 0.07107143 1. ]
[0.35294109 0.2232 0.14214286 1. ]
[0.52941164 0.3348 0.21321429 1. ]
[0.70588219 0.4464 0.28428571 1. ]
[0.88235273 0.558 0.35535714 1. ]
[1. 0.6696 0.42642857 1. ]
[1. 0.7812 0.4975 1. ]]
创建列表色谱#
创建色谱本质上是上述操作的逆过程，我们向 ListedColormap 提供颜色规格列表或数组以创建新的色谱。
在继续本教程之前，我们先定义一个辅助函数，它接受一个或多个色谱作为输入，创建一些随机数据，并将色谱应用于该数据集的图像绘图。
def plot_examples(colormaps):
"""
Helper function to plot data with associated colormap.
"""
np.random.seed(19680801)
data = np.random.randn(30, 30)
n = len(colormaps)
fig, axs = plt.subplots(1, n, figsize=(n * 2 + 2, 3),
layout='constrained', squeeze=False)
for [ax, cmap] in zip(axs.flat, colormaps):
psm = ax.pcolormesh(data, cmap=cmap, rasterized=True, vmin=-4, vmax=4)
fig.colorbar(psm, ax=ax)
plt.show()
在最简单的情况下，我们可能会输入一个颜色名称列表，从中创建色谱。
cmap = ListedColormap(["darkorange", "gold", "lawngreen", "lightseagreen"])
plot_examples([cmap])
事实上，该列表可以包含任何有效的 Matplotlib 颜色规范。对于创建自定义色谱特别有用的是 (N, 4) 形的数组。因为通过对这种数组进行各种 numpy 操作，从现有色谱构建新色谱变得非常简单。
例如，假设我们出于某种原因想将一个 256 长度的 "viridis" 色谱的前 25 个条目变为粉红色
viridis = mpl.colormaps['viridis'].resampled(256)
newcolors = viridis(np.linspace(0, 1, 256))
pink = np.array([248/256, 24/256, 148/256, 1])
newcolors[:25, :] = pink
newcmp = ListedColormap(newcolors)
plot_examples([viridis, newcmp])
我们可以减小色谱的动态范围；这里我们选择色谱的中间一半。但请注意，因为 viridis 是一个列表色谱，我们最终会得到 128 个离散值，而不是原始色谱中的 256 个值。此方法不会在颜色空间中进行插值来添加新颜色。
viridis_big = mpl.colormaps['viridis']
newcmp = ListedColormap(viridis_big(np.linspace(0.25, 0.75, 128)))
plot_examples([viridis, newcmp])
我们也可以轻松地连接两个色谱
top = mpl.colormaps['Oranges_r'].resampled(128)
bottom = mpl.colormaps['Blues'].resampled(128)
newcolors = np.vstack((top(np.linspace(0, 1, 128)),
bottom(np.linspace(0, 1, 128))))
newcmp = ListedColormap(newcolors, name='OrangeBlue')
plot_examples([viridis, newcmp])
当然，我们不必从命名的色谱开始，我们只需要创建 (N, 4) 数组并将其传递给 ListedColormap。这里我们创建一个从棕色（RGB: 90, 40, 40）到白色（RGB: 255, 255, 255）的色谱。
N = 256
vals = np.ones((N, 4))
vals[:, 0] = np.linspace(90/256, 1, N)
vals[:, 1] = np.linspace(40/256, 1, N)
vals[:, 2] = np.linspace(40/256, 1, N)
newcmp = ListedColormap(vals)
plot_examples([viridis, newcmp])
创建线性分段色谱#
LinearSegmentedColormap 类使用锚点指定色谱，在这些锚点之间对 RGB(A) 值进行插值。
指定这些色谱的格式允许在锚点处存在不连续性。每个锚点在矩阵中指定为一行，形式为 [x[i] yleft[i] yright[i]]，其中 x[i] 是锚点，yleft[i] 和 yright[i] 是锚点两侧的颜色值。
如果没有不连续性，则 yleft[i] == yright[i]
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]]}
def plot_linearmap(cdict):
newcmp = LinearSegmentedColormap('testCmap', segmentdata=cdict, N=256)
rgba = newcmp(np.linspace(0, 1, 256))
fig, ax = plt.subplots(figsize=(4, 3), layout='constrained')
col = ['r', 'g', 'b']
for xx in [0.25, 0.5, 0.75]:
ax.axvline(xx, color='0.7', linestyle='--')
for i in range(3):
ax.plot(np.arange(256)/256, rgba[:, i], color=col[i])
ax.set_xlabel('index')
ax.set_ylabel('RGB')
plt.show()
plot_linearmap(cdict)
为了在锚点处创建不连续性，第三列与第二列不同。“红”、“绿”、“蓝”以及可选的“透明度”的矩阵设置如下
cdict['red'] = [...
[x[i] yleft[i] yright[i]],
[x[i+1] yleft[i+1] yright[i+1]],
...]
对于传入色谱的 x[i] 和 x[i+1] 之间的值，插值发生在 yright[i] 和 yleft[i+1] 之间。
在下面的例子中，红色在 0.5 处有一个不连续点。0 到 0.5 之间的插值是从 0.3 到 1，而 0.5 到 1 之间的插值是从 0.9 到 1。请注意，red[0, 1] 和 red[2, 2] 对于插值都是多余的，因为 red[0, 1]（即 yleft[0]）是 0 左侧的值，而 red[2, 2]（即 yright[2]）是 1 右侧的值，它们都在颜色映射域之外。
直接从列表中创建分段色谱#
上述方法非常通用，但不可否认实现起来有些繁琐。对于某些基本情况，使用 LinearSegmentedColormap.from_list 可能会更容易。它会根据提供的颜色列表创建具有等间距的分段色谱。
colors = ["darkorange", "gold", "lawngreen", "lightseagreen"]
cmap1 = LinearSegmentedColormap.from_list("mycmap", colors)
如果需要，色谱的节点可以作为 0 到 1 之间的数字给出。例如，可以使偏红色的部分在色谱中占据更多空间。
反转色谱#
Colormap.reversed 创建一个新的色谱，它是原始色谱的反转版本。
colors = ["#ffffcc", "#a1dab4", "#41b6c4", "#2c7fb8", "#253494"]
my_cmap = ListedColormap(colors, name="my_cmap")
my_cmap_r = my_cmap.reversed()
plot_examples([my_cmap, my_cmap_r])
如果没有传入名称，.reversed 还会通过在原始色谱名称后附加 '_r' 来命名副本。
注册色谱#
色谱可以添加到 matplotlib.colormaps 的命名色谱列表中。这使得色谱可以在绘图函数中通过名称访问
# my_cmap, my_cmap_r from reversing a colormap
mpl.colormaps.register(cmap=my_cmap)
mpl.colormaps.register(cmap=my_cmap_r)
data = [[1, 2, 3, 4, 5]]
fig, (ax1, ax2) = plt.subplots(nrows=2)
ax1.imshow(data, cmap='my_cmap')
ax2.imshow(data, cmap='my_cmap_r')
plt.show()
参考
本示例展示了以下函数、方法、类和模块的使用
脚本总运行时间： (0 分 5.023 秒)