樣式色彩秀芳華

• 1、matplotlib的繪圖樣式（style）
• • 1.1、matplotlib預先定義樣式
  • 1.2、用戶自定義stylesheet
  • 1.3、設置rcparams
  • 1.4、修改 matplotlibrc
• 2、matplotlib的色彩設置（color）
• • 2.1、RGB或RGBA
  • 2.2、HEX RGB 或 RGBA
  • 2.3、灰度色階
  • 2.4、單字符基本顏色
  • 2.5、顏色名稱
  • 2.6、使用colormap設置一組顏色
  • • 2.6.1、順序（Sequential）
    • 2.6.2、發散（Diverging）
    • 2.6.3、循環（Cyclic）
    • 2.6.4、定性（Qualitative）
    • 2.6.5、雜色（Miscellaneous）
• 3、思考題
• • 3.1、使用 LinearSegmentedColormap 的 from_list 方法創建 colormap
  • 3.2、使用 ListedColormap 自定義 colormap

教程來源：https://datawhalechina.github.io/fantastic-matplotlib

參考資料：

1、Python數據可視化matplotlib：第五回：樣式色彩秀芳華_林遠夏的博客-程序員秘密：https://url.cy/wryWK2

2、學會這6個可視化配色基本技巧，還原數據本身的意義：https://zhuanlan.zhihu.com/p/88892542

3、RGB顏色和HEX顏色之間是可以一一對應的，以下網址提供了兩種色彩表示方法的轉換工具：https://www.colorhexa.com/

4、[matplotlib] 顏色設置及Matplotlib顏色對照表：https://zhuanlan.zhihu.com/p/65220518

5、matplotlib基本顏色演示：https://www.matplotlib.org.cn/gallery/color/color_demo.html

6、五種colormap的字符串表示和顏色圖的對應關系：https://matplotlib.org/stable/tutorials/colors/colormaps.html

7、rcParam支持的參數列表可以參照官方文檔的相關說明：
https://matplotlib.org/stable/api/matplotlib_configuration_api.html?highlight=rcparams#matplotlib.rcParams

import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np

詳細介紹matplotlib中樣式和顏色的使用。
繪圖樣式和顏色是豐富可視化圖表的重要手段，因此熟練掌握本章可以讓可視化圖表變得更美觀，突出重點和凸顯藝術性。

關于繪圖樣式，常見的有3種方法，分別是修改預定義樣式，自定義樣式和rcparams。

關于顏色使用，本章介紹了常見的5種表示單色顏色的基本方法，以及colormap多色顯示的方法。

1、matplotlib的繪圖樣式（style）

在matplotlib中，要想設置繪制樣式，最簡單的方法是在繪制元素時單獨設置樣式。
但是有時候，當用戶在做專題報告時，往往會希望保持整體風格的統一而不用對每張圖一張張修改，因此matplotlib庫還提供了四種批量修改全局樣式的方式

1.1、matplotlib預先定義樣式

matplotlib貼心地提供了許多內置的樣式供用戶使用，使用方法很簡單，只需在python腳本的最開始輸入想使用style的名稱即可調用，嘗試調用不同內置樣式，比較區別

matplotlib究竟內置了那些樣式供使用呢？總共以下26種豐富的樣式可供選擇,如下：

# 默認樣式 plt.style.use('default') plt.plot([1,2,3,4],[2,3,4,5]);

plt.style.use('ggplot') plt.plot([1,2,3,4],[2,3,4,5]);

print(plt.style.available) len(plt.style.available) ['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark', 'seaborn-dark-palette', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'tableau-colorblind10']28 # 繪制所有風格圖fig = plt.figure(figsize = (60, 30)) for i in range(len(plt.style.available)):plt.subplot(4, 7, i+1)plt.title(plt.style.available[i],fontsize=50,color='k')plt.style.use(plt.style.available[i])plt.plot([1,2,3,4],[2,3,4,5])fig.suptitle('style',fontsize=100, color='b',fontweight='bold') plt.tight_layout() plt.show()

1.2、用戶自定義stylesheet

在任意路徑下創建一個后綴名為mplstyle的樣式清單，編輯文件添加以下樣式內容：

axes.titlesize : 24
axes.labelsize : 20
lines.linewidth : 3
lines.markersize : 10
xtick.labelsize : 16
ytick.labelsize : 16

# 引用自定義stylesheet后觀察圖表變化。plt.style.use('presentation.mplstyle') plt.plot([1,2,3,4],[2,3,4,5]);

# 值得特別注意的是，matplotlib支持混合樣式的引用，只需在引用時輸入一個樣式列表，若是幾個樣式中涉及到同一個參數，右邊的樣式表會覆蓋左邊的值。plt.style.use(['dark_background', 'presentation.mplstyle']) plt.plot([1,2,3,4],[2,3,4,5]);

1.3、設置rcparams

我們還可以通過修改默認rc設置的方式改變樣式，所有rc設置都保存在一個叫做 matplotlib.rcParams的變量中。

修改過后再繪圖，可以看到繪圖樣式發生了變化。

plt.style.use('default') # 恢復到默認樣式 plt.plot([1,2,3,4],[2,3,4,5]);

# 修改參數 設置mpl.rcParams['lines.linewidth'] = 2 mpl.rcParams['lines.linestyle'] = '--' plt.plot([1,2,3,4],[2,3,4,5]);

另外matplotlib也還提供了一種更便捷的修改樣式方式，可以一次性修改多個樣式。

mpl.rc('lines', linewidth=4, linestyle='-.') plt.plot([1,2,3,4],[2,3,4,5]);

mpl.rc('lines', linewidth=4, linestyle='-.') mpl.rc('axes', titlesize = 24, labelsize = 30) plt.xlabel('xlabel') plt.title("This is title") plt.plot([1,2,3,4],[2,3,4,5]);

1.4、修改 matplotlibrc

由于matplotlib是使用matplotlibrc文件來控制樣式的，也就是上一節提到的rc setting，所以我們還可以通過修改matplotlibrc文件的方式改變樣式。

# 查找matplotlibrc文件的路徑 mpl.matplotlib_fname() 'E:\\Anaconda3\\envs\\pytorch\\lib\\site-packages\\matplotlib\\mpl-data\\matplotlibrc'

2、matplotlib的色彩設置（color）

在可視化中，如何選擇合適的顏色和搭配組合也是需要仔細考慮的，色彩選擇要能夠反映出可視化圖像的主旨。
從可視化編碼的角度對顏色進行分析，可以將顏色分為色相、亮度和飽和度三個視覺通道。

通常來說：

色相： 沒有明顯的順序性、一般不用來表達數據量的高低，而是用來表達數據列的類別。

明度和飽和度： 在視覺上很容易區分出優先級的高低、被用作表達順序或者表達數據量視覺通道。

具體關于色彩理論部分的知識，不屬于本教程的重點，請參閱有關拓展材料學習:https://zhuanlan.zhihu.com/p/88892542

2.1、RGB或RGBA

# 設置繪圖樣式 plt.style.use('default') # 顏色用[0,1]之間的浮點數表示，四個分量按順序分別為(red, green, blue, alpha)，其中alpha透明度可省略 plt.plot([1,2,3],[4,5,6],color=(0.1, 0.2, 0.5)) plt.plot([4,5,6],[1,2,3],color=(0.1, 0.2, 0.5, 0.5));

2.2、HEX RGB 或 RGBA

# 用十六進制顏色碼表示，同樣最后兩位表示透明度，可省略plt.plot([1,2,3],[4,5,6],color='#0f0f0f') plt.plot([4,5,6],[1,2,3],color='#0f0f0f80');

RGB顏色和HEX顏色之間是可以一一對應的，以下網址提供了兩種色彩表示方法的轉換工具：https://www.colorhexa.com/

2.3、灰度色階

# 當只有一個位于[0,1]的值時，表示灰度色階plt.plot([1,2,3],[4,5,6],color='0.5');

2.4、單字符基本顏色

# matplotlib有八個基本顏色，可以用單字符串來表示， #分別是'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'，對應的是blue, green, red, cyan, magenta, yellow, black, and white的英文縮寫plt.plot([1,2,3],[4,5,6],color='m');

2.5、顏色名稱

# matplotlib提供了顏色對照表，可供查詢顏色對應的名稱plt.plot([1,2,3],[4,5,6],color='tan');

2.6、使用colormap設置一組顏色

有些圖表支持使用colormap的方式配置一組顏色，從而在可視化中通過色彩的變化表達更多信息。

在matplotlib中，colormap共有五種類型:

順序（Sequential）：通常使用單一色調，逐漸改變亮度和顏色漸漸增加，用于表示有順序的信息

發散（Diverging）：改變兩種不同顏色的亮度和飽和度，這些顏色在中間以不飽和的顏色相遇；當繪制的信息具有關鍵中間值（例如地形）或數據偏離零時，應使用此值。

循環（Cyclic）：改變兩種不同顏色的亮度，在中間和開始/結束時以不飽和的顏色相遇。用于在端點處環繞的值，例如相角，風向或一天中的時間。

定性（Qualitative）：常是雜色，用來表示沒有排序或關系的信息。

雜色（Miscellaneous）：一些在特定場景使用的雜色組合，如彩虹，海洋，地形等。

在以下官網頁面可以查詢上述五種colormap的字符串表示和顏色圖的對應關系：https://matplotlib.org/stable/tutorials/colors/colormaps.html

import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt from colorspacious import cspace_converter 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 colormapsnrows = len(cmap_list)figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22fig, 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

2.6.1、順序（Sequential）

# 順序（Sequential）：通常使用單一色調，逐漸改變亮度和顏色漸漸增加，用于表示有順序的信息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'])

plot_color_gradients('Sequential (2)',['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone','pink', 'spring', 'summer', 'autumn', 'winter', 'cool','Wistia', 'hot', 'afmhot', 'gist_heat', 'copper'])

2.6.2、發散（Diverging）

plot_color_gradients('Diverging',['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu', 'RdYlBu','RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic'])

2.6.3、循環（Cyclic）

plot_color_gradients('Cyclic', ['twilight', 'twilight_shifted', 'hsv'])

2.6.4、定性（Qualitative）

plot_color_gradients('Qualitative',['Pastel1', 'Pastel2', 'Paired', 'Accent', 'Dark2','Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b','tab20c'])

2.6.5、雜色（Miscellaneous）

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()

# 示例 # RdPu為Sequential子類x = np.random.randn(50) y = np.random.randn(50) plt.scatter(x,y,c=x,cmap='RdPu');plt.scatter(x,y,c=x,cmap='flag');

3、思考題

學習如何自定義colormap，并將其應用到任意一個數據集中，繪制一幅圖像，注意colormap的類型要和數據集的特性相匹配，并做簡單解釋

# 參考鏈接：Python數據可視化matplotlib：第五回：樣式色彩秀芳華_林遠夏的博客-程序員秘密：https://url.cy/wryWK2 # 三種不同的顏色，分別代表了鳶尾花三種類型的數據，這里使用的是sklearn庫自帶的數據，方便處理。import pandas as pd #數據分析、處理 import numpy as np #科學計算包 import matplotlib.pyplot as plt #畫圖from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split iris_dataset = load_iris() # sklearn已經整理了Iris數據集，使用load_iris函數可以直接下載，使用；#導入數據 iris = load_iris() X = iris.data[:,:2] #指選擇第一個和第三個特征作為輸入 y = iris.target # 輸出x_min,x_max = X[:,0].min()-.5, X[:,0].max()+.5 y_min,y_max = X[:,1].min()-.5, X[:,1].max()+.5plt.figure(2,figsize=(8,6)) plt.clf()plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.Set1,edgecolor='k') plt.xlabel('Sepal length') plt.ylabel('Sepal width')#以花瓣長度和寬度為橫縱坐標繪制一個圖plt.xlim(x_min, x_max) plt.ylim(y_min, y_max) plt.xticks(()) plt.yticks(())plt.show()

使用 matplotlib 自定義Colormap

自定義 colormap 通常要使用 matplotlib.colors 模塊中提供的函數和方法。

matplotlib.colors 是用來轉換數字列表或顏色參數為 RGB 或 RGBA 的模塊。RGB 和 RGBA 是具有3個或4個浮點數且數值在 [0, 1] 之間的序列。

創建 colormap 時通常需要以下兩步：

1、使用 Normalize 實例或子類將數據數組歸一化為 [0 1]之間的數組

2、使用 Colormap 子類的實例進行數據和顏色的映射

模塊中提供了以下兩個函數創建 colormap：

LinearSegmentedColormap ：有內置 colormap 實例均由此函數創建，但也可以自定義colormap

ListedColormap ：從顏色列表創建 colormap

3.1、使用 LinearSegmentedColormap 的 from_list 方法創建 colormap

參考鏈接：

python colormap_Python matplotlib的使用并自定義colormap的方法：https://blog.csdn.net/weixin_39739661/article/details/110753542

使用 matplotlib 自定義Colormap：https://cloud.tencent.com/developer/article/1618345

# 顯示原圖片 import matplotlib.pyplot as plt # plt 用于顯示圖片 import matplotlib.image as mpimg # mpimg 用于讀取圖片 import numpy as nplena = mpimg.imread('img_188.jpg') # 讀取和代碼處于同一目錄下的 lena.png # 此時 lena 就已經是一個 np.array 了，可以對它進行任意處理 lena.shape #(512, 512, 3)plt.imshow(lena) # 顯示圖片 plt.axis('off') # 不顯示坐標軸 (-0.5, 4023.5, 3035.5, -0.5)

from matplotlib.colors import LinearSegmentedColormap import random import matplotlib.image as mpimg# R, G, B 三色 colors = [(1, 0, 0), (0, 1, 0), (0, 0, 1)]# 用于進行 colormap 插值，表示 colormap 顏色區間 n_bins = [3, 6, 10, 100] # colormap 名 cmap_name = 'my_cmap'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)data=mpimg.imread('img_188.jpg')for n_bin, ax in zip(n_bins, axs.ravel()):# 創建 colormapcm = LinearSegmentedColormap.from_list(cmap_name, colors, N=n_bin)# n_bin 越小，插值得到的顏色區間越少im = ax.imshow(data, interpolation='nearest', origin='lower', cmap=cm)ax.set_title("N bins: %s" % n_bin)fig.colorbar(im, ax=ax)plt.axis('off') # 不顯示坐標軸 plt.show()

# 添加colormap的對象是灰度圖，可以變成熱量圖，從而更加明顯的發現一些規律，適用于一些雷達圖像等from PIL import Image# 將彩色圖片轉換成黑白圖片 im=Image.open("img_188.jpg") im1 = im.convert('L')# 保存圖片 # im.save("image.jpg") # im1.show()plt.subplot(1,2,1) plt.imshow(im) plt.axis('off') # 不顯示坐標軸plt.subplot(1,2,2) plt.imshow(im1); plt.axis('off') # 不顯示坐標軸 (-0.5, 4023.5, 3035.5, -0.5)

# 從圖片中讀取數據，轉換成colormap圖import matplotlib.pyplot as plt import matplotlib.image as mpimg import matplotlib as mpl from PIL import Image import numpy as np# 自定義colormap def colormap():return mpl.colors.LinearSegmentedColormap.from_list('cmap',['#FFFFFF', '#98F5FF', '#00FF00', '#FFFF00','#FF0000', '#8B0000'], 256)# 讀取圖 plt.subplot(1, 2, 1) data=mpimg.imread('img_188.jpg') plt.imshow(data);# 如果需要固定colorbar的范圍，可以設置參數vmin，vmax，具體參考 #http://matplotlib.org/api/image_api.html# 設定每個圖的colormap和colorbar所表示范圍是一樣的，即歸一化 plt.subplot(1, 2, 2) plt.imsave('colormap.jpg',data, cmap=colormap()) plt.imshow(data, cmap=colormap());# 這里沒有顯示出來colorbar的數值分布，得到的圖像是等大的

3.2、使用 ListedColormap 自定義 colormap

import numpy as np import matplotlib.pyplot as plt import matplotlib as mpl import matplotlib.colors as colors# 生成圖片格式自定義 def colormap():# 白青綠黃紅cdict = ['#FFFFFF', '#9ff113', '#5fbb44', '#f5f329', '#e50b32']# 按照上面定義的colordict，將數據分成對應的部分，indexed：代表順序return colors.ListedColormap(cdict, 'indexed')# 加載數據 data=mpimg.imread('img_188.jpg') fig = plt.figure()# 加載圖片設置my_cmap = colormap()# 第一個子圖,按照默認配置 ax = fig.add_subplot(221) ax.imshow(data)# 第二個子圖,使用api自帶的colormap ax = fig.add_subplot(222) cmap = mpl.cm.bwr # 藍，白，紅 ax.imshow(data, cmap=cmap)# 第三個子圖增加一個colorbar ax = fig.add_subplot(223) cmap = mpl.cm.winter # 冬季風格 im = ax.imshow(data, cmap=my_cmap) plt.colorbar(im) # 增加colorbar# 第四個子圖可以調整colorbar ax = fig.add_subplot(224) cmap = mpl.cm.rainbow# 這里設置colormap的固定值 norm = mpl.colors.Normalize(vmin=-1, vmax=1) im=ax.imshow(data,cmap=cmap) plt.colorbar(im,cmap=cmap, norm=norm,ticks=[-1,0,1])# 顯示 plt.show()

總結

以上是生活随笔為你收集整理的Task5：第五回：样式色彩秀芳华的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。