注意
转到末尾 下载完整的示例代码。
在 Matplotlib 中选择颜色映射#
Matplotlib 有许多内置的颜色映射,可以通过 matplotlib.colormaps
访问。还有一些外部库包含许多额外的颜色映射,可以在 Matplotlib 文档的 第三方颜色映射 部分查看。这里我们将简要讨论如何在众多选项中进行选择。有关创建自己的颜色映射的帮助,请参见 在 Matplotlib 中创建颜色映射。
要获取所有已注册颜色映射的列表,您可以执行以下操作
from matplotlib import colormaps
list(colormaps)
概述#
选择合适的颜色映射的理念是在 3D 颜色空间中找到对数据集的良好表示。任何给定数据集的最佳颜色映射取决于许多因素,包括
是否表示形式数据或度量数据 ([Ware])
您对数据集的了解(例如,是否存在一个关键值,其他值偏离该值?)
如果存在对您正在绘制的参数的直观颜色方案
如果该领域存在观众可能期望的标准
对于许多应用来说,感知一致的色图是最佳选择;即在色图中,数据中的相等步长在颜色空间中被感知为相等步长。研究人员发现,人脑对亮度参数的变化的感知比对色调的变化更能感知为数据的变化。因此,在色图中具有单调递增亮度的色图将更容易被观看者理解。在 第三方色图 部分也可以找到感知一致色图的精彩示例。
颜色可以用多种方式在 3D 空间中表示。一种表示颜色方法是使用 CIELAB。在 CIELAB 中,颜色空间由亮度 \(L^*\)、红绿 \(a^*\) 和黄蓝 \(b^*\) 表示。然后可以使用亮度参数 \(L^*\) 来了解 matplotlib 色图将如何被观看者感知。
有关了解人类对色图感知的优秀入门资源来自 [IBM]。
色图类别#
色图通常根据其功能分为几个类别(参见,例如,[Moreland])。
顺序:颜色亮度和饱和度逐渐变化,通常使用单一色调;应用于表示具有顺序的信息。
发散:两种不同颜色的亮度和饱和度变化,在中间相遇于一种不饱和的颜色;应用于当所绘制的信息具有关键的中间值时,例如地形或数据围绕零值发生偏差。
循环:两种不同颜色的亮度变化,在中间相遇,并在起点/终点相遇于一种不饱和的颜色;应用于在端点处循环的值,例如相位角、风向或一天中的时间。
定性:通常是各种颜色;应用于表示没有顺序或关系的信息。
from colorspacious import cspace_converter
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
首先,我们将展示每个色图的范围。请注意,有些色图似乎比其他色图变化得“更快”。
cmaps = {}
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))
def plot_color_gradients(category, cmap_list):
# Create figure and adjust figure height to number of colormaps
nrows = len(cmap_list)
figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
fig, axs = plt.subplots(nrows=nrows + 1, figsize=(6.4, figh))
fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
left=0.2, right=0.99)
axs[0].set_title(f'{category} colormaps', fontsize=14)
for ax, name in zip(axs, cmap_list):
ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
ax.text(-0.01, 0.5, name, va='center', ha='right', fontsize=10,
transform=ax.transAxes)
# Turn off *all* ticks & spines, not just the ones with colormaps.
for ax in axs:
ax.set_axis_off()
# Save colormap list for later.
cmaps[category] = cmap_list
顺序#
对于顺序图,亮度值在色图中单调递增。这是好的。一些色图中的 \(L^*\) 值范围从 0 到 100(二进制和其他灰度),而其他色图则从 \(L^*=20\) 开始。那些 \(L^*\) 范围较小的色图将相应地具有较小的感知范围。还要注意,\(L^*\) 函数在不同的色图中有所不同:一些色图在 \(L^*\) 中近似线性,而另一些则更弯曲。
plot_color_gradients('Perceptually Uniform Sequential',
['viridis', 'plasma', 'inferno', 'magma', 'cividis'])
plot_color_gradients('Sequential',
['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'])
顺序2#
顺序2 图中的许多 \(L^*\) 值单调递增,但一些(秋季、凉爽、春季和冬季)在 \(L^*\) 空间中达到平稳或甚至上下波动。其他(afmhot、铜、gist_heat 和热)在 \(L^*\) 函数中存在拐点。在色图中处于平稳或拐点区域的数据将导致在色图中感知到这些值的条带现象(参见 [mycarta-banding],这是一个很好的例子)。
plot_color_gradients('Sequential (2)',
['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone',
'pink', 'spring', 'summer', 'autumn', 'winter', 'cool',
'Wistia', 'hot', 'afmhot', 'gist_heat', 'copper'])
发散#
对于发散图,我们希望 \(L^*\) 值单调递增到最大值,该最大值应接近 \(L^*=100\),然后 \(L^*\) 值单调递减。我们希望色图两端具有近似相等的最小 \(L^*\) 值。根据这些衡量标准,BrBG 和 RdBu 是不错的选择。coolwarm 也是一个不错的选择,但它没有跨越很宽的 \(L^*\) 值范围(参见下面的灰度部分)。
plot_color_gradients('Diverging',
['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu', 'RdYlBu',
'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic'])
循环#
对于循环色图,我们希望从相同的颜色开始和结束,并在中间相遇一个对称中心点。 \(L^*\) 应该从开始到中间单调变化,从中间到结束反向变化。它应该在增加和减少的一侧对称,并且只在色调上有所不同。在两端和中间,\(L^*\) 将反转方向,这应该在 \(L^*\) 空间中平滑处理以减少伪影。有关循环色图设计的更多信息,请参见 [kovesi-colormaps]。
这组色图中包含了常用的 HSV 色图,尽管它不对称于中心点。此外,\(L^*\) 值在整个色图中变化很大,使其成为表示数据以供观众感知地观看的糟糕选择。有关此想法的扩展,请参见 [mycarta-jet]。
plot_color_gradients('Cyclic', ['twilight', 'twilight_shifted', 'hsv'])
定性#
定性色图并非旨在成为感知色图,但查看亮度参数可以为我们验证这一点。\(L^*\) 值在整个色图中到处移动,并且显然不是单调递增的。这些不是用作感知色图的良好选择。
plot_color_gradients('Qualitative',
['Pastel1', 'Pastel2', 'Paired', 'Accent', 'Dark2',
'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b',
'tab20c'])
其他#
一些其他色图具有特定的用途,它们是为此而创建的。例如,gist_earth、ocean 和 terrain 似乎都是为绘制地形(绿色/棕色)和水深(蓝色)而创建的。因此,我们预计在这些色图中会看到发散,但是多个扭结可能并不理想,例如在 gist_earth 和 terrain 中。CMRmap 是为了很好地转换为灰度而创建的,尽管它似乎在 \(L^*\) 中有一些小的扭结。cubehelix 是为了在亮度和色调上平滑变化而创建的,但似乎在绿色色调区域有一个小的驼峰。turbo 是为了显示深度和视差数据而创建的。
这组色图中包含了常用的 jet 色图。我们可以看到,\(L^*\) 值在整个色图中变化很大,使其成为表示数据以供观众感知地观看的糟糕选择。有关此想法的扩展,请参见 [mycarta-jet] 和 [turbo]。
plot_color_gradients('Miscellaneous',
['flag', 'prism', 'ocean', 'gist_earth', 'terrain',
'gist_stern', 'gnuplot', 'gnuplot2', 'CMRmap',
'cubehelix', 'brg', 'gist_rainbow', 'rainbow', 'jet',
'turbo', 'nipy_spectral', 'gist_ncar'])
plt.show()
Matplotlib 色图的亮度#
这里我们检查了 matplotlib 颜色图的亮度值。请注意,一些关于颜色图的文档是可用的([list-colormaps])。
mpl.rcParams.update({'font.size': 12})
# Number of colormap per subplot for particular cmap categories
_DSUBS = {'Perceptually Uniform Sequential': 5, 'Sequential': 6,
'Sequential (2)': 6, 'Diverging': 6, 'Cyclic': 3,
'Qualitative': 4, 'Miscellaneous': 6}
# Spacing between the colormaps of a subplot
_DC = {'Perceptually Uniform Sequential': 1.4, 'Sequential': 0.7,
'Sequential (2)': 1.4, 'Diverging': 1.4, 'Cyclic': 1.4,
'Qualitative': 1.4, 'Miscellaneous': 1.4}
# Indices to step through colormap
x = np.linspace(0.0, 1.0, 100)
# Do plot
for cmap_category, cmap_list in cmaps.items():
# Do subplots so that colormaps have enough space.
# Default is 6 colormaps per subplot.
dsub = _DSUBS.get(cmap_category, 6)
nsubplots = int(np.ceil(len(cmap_list) / dsub))
# squeeze=False to handle similarly the case of a single subplot
fig, axs = plt.subplots(nrows=nsubplots, squeeze=False,
figsize=(7, 2.6*nsubplots))
for i, ax in enumerate(axs.flat):
locs = [] # locations for text labels
for j, cmap in enumerate(cmap_list[i*dsub:(i+1)*dsub]):
# Get RGB values for colormap and convert the colormap in
# CAM02-UCS colorspace. lab[0, :, 0] is the lightness.
rgb = mpl.colormaps[cmap](x)[np.newaxis, :, :3]
lab = cspace_converter("sRGB1", "CAM02-UCS")(rgb)
# Plot colormap L values. Do separately for each category
# so each plot can be pretty. To make scatter markers change
# color along plot:
# https://stackoverflow.com/q/8202605/
if cmap_category == 'Sequential':
# These colormaps all start at high lightness, but we want them
# reversed to look nice in the plot, so reverse the order.
y_ = lab[0, ::-1, 0]
c_ = x[::-1]
else:
y_ = lab[0, :, 0]
c_ = x
dc = _DC.get(cmap_category, 1.4) # cmaps horizontal spacing
ax.scatter(x + j*dc, y_, c=c_, cmap=cmap, s=300, linewidths=0.0)
# Store locations for colormap labels
if cmap_category in ('Perceptually Uniform Sequential',
'Sequential'):
locs.append(x[-1] + j*dc)
elif cmap_category in ('Diverging', 'Qualitative', 'Cyclic',
'Miscellaneous', 'Sequential (2)'):
locs.append(x[int(x.size/2.)] + j*dc)
# Set up the axis limits:
# * the 1st subplot is used as a reference for the x-axis limits
# * lightness values goes from 0 to 100 (y-axis limits)
ax.set_xlim(axs[0, 0].get_xlim())
ax.set_ylim(0.0, 100.0)
# Set up labels for colormaps
ax.xaxis.set_ticks_position('top')
ticker = mpl.ticker.FixedLocator(locs)
ax.xaxis.set_major_locator(ticker)
formatter = mpl.ticker.FixedFormatter(cmap_list[i*dsub:(i+1)*dsub])
ax.xaxis.set_major_formatter(formatter)
ax.xaxis.set_tick_params(rotation=50)
ax.set_ylabel('Lightness $L^*$', fontsize=12)
ax.set_xlabel(cmap_category + ' colormaps', fontsize=14)
fig.tight_layout(h_pad=0.0, pad=1.5)
plt.show()
灰度转换#
对于彩色图,重要的是要注意灰度转换,因为它们可能被打印在黑白打印机上。如果没有仔细考虑,您的读者可能会得到难以理解的图,因为灰度在整个颜色图中不可预测地变化。
灰度转换以多种不同的方式完成 [bw]。一些更好的方法使用像素的 rgb 值的线性组合,但根据我们感知的颜色强度进行加权。一种非线性灰度转换方法是使用像素的 \(L^*\) 值。一般来说,对于这个问题,类似的原则适用于感知地呈现信息;也就是说,如果选择的颜色图在 \(L^*\) 值中单调递增,它将以合理的方式打印为灰度。
考虑到这一点,我们看到 Sequential 颜色图在灰度中具有合理的表示。一些 Sequential2 颜色图具有足够好的灰度表示,尽管有些(autumn、spring、summer、winter)几乎没有灰度变化。如果在图中使用这样的颜色图,然后将图打印为灰度,许多信息可能会映射到相同的灰度值。Diverging 颜色图主要从外边缘的深灰色到中间的白色变化。有些(PuOr 和 seismic)在一侧明显比另一侧更深灰色,因此不是非常对称。coolwarm 的灰度范围很小,会打印到更均匀的图,丢失很多细节。请注意,叠加的、标记的等高线可以帮助区分颜色图的一侧与另一侧,因为一旦图打印为灰度,颜色就无法使用。许多 Qualitative 和 Miscellaneous 颜色图,例如 Accent、hsv、jet 和 turbo,在整个颜色图中从深灰色到浅灰色再到深灰色变化。这将使查看者无法在图打印为灰度后解释图中的信息。
mpl.rcParams.update({'font.size': 14})
# Indices to step through colormap.
x = np.linspace(0.0, 1.0, 100)
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))
def plot_color_gradients(cmap_category, cmap_list):
fig, axs = plt.subplots(nrows=len(cmap_list), ncols=2)
fig.subplots_adjust(top=0.95, bottom=0.01, left=0.2, right=0.99,
wspace=0.05)
fig.suptitle(cmap_category + ' colormaps', fontsize=14, y=1.0, x=0.6)
for ax, name in zip(axs, cmap_list):
# Get RGB values for colormap.
rgb = mpl.colormaps[name](x)[np.newaxis, :, :3]
# Get colormap in CAM02-UCS colorspace. We want the lightness.
lab = cspace_converter("sRGB1", "CAM02-UCS")(rgb)
L = lab[0, :, 0]
L = np.float32(np.vstack((L, L, L)))
ax[0].imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
ax[1].imshow(L, aspect='auto', cmap='binary_r', vmin=0., vmax=100.)
pos = list(ax[0].get_position().bounds)
x_text = pos[0] - 0.01
y_text = pos[1] + pos[3]/2.
fig.text(x_text, y_text, name, va='center', ha='right', fontsize=10)
# Turn off *all* ticks & spines, not just the ones with colormaps.
for ax in axs.flat:
ax.set_axis_off()
plt.show()
for cmap_category, cmap_list in cmaps.items():
plot_color_gradients(cmap_category, cmap_list)
色觉缺陷#
关于色盲有很多信息(例如,[colorblindness])。此外,还有一些工具可以将图像转换为它们在不同类型的色觉缺陷中看起来的样子。
最常见的色觉缺陷形式涉及区分红色和绿色。因此,避免使用同时包含红色和绿色的颜色图将避免许多一般问题。
参考文献#
脚本总运行时间: (0 分钟 14.782 秒)