Python 如何将pcolormesh plot存储为numpy数组，同时保留数据形状？

我似乎在存储使用matplotlib.pcolormesh创建的绘图时遇到了一些问题。据我所知，pcolormesh使用颜色映射转换输入数据矩阵。colormap为矩阵中的每个条目输出RGB值，并对其进行打印

在我的脑海里，这和

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
from PIL import Image
import librosa
import librosa.display
from matplotlib import cm


fig = plt.figure(figsize=(12,4))
min = -1.828067
max = 22.70058
data =  np.random.uniform(low=min, high=max, size=(474,40))
librosa.display.specshow(data.T,sr=16000,x_axis='frames',y_axis='mel',hop_length=160,cmap=cm.jet)
plt.axis('off')
plt.show()
raw_input("sadas")

convert = plt.get_cmap(cm.jet)
norm = matplotlib.colors.Normalize(vmin=0,vmax=1)
numpy_output_static = convert(norm(data.T))
plt.imshow(numpy_output_static,cmap = cm.jet, aspect = 'auto')
plt.show()
raw_input("asds")

这里的问题是，被表示为绘图的数据的numpy数组与第一个绘图显示的不相似。我需要numpy有代表绘图的数据，这样如果我想绘图，我会得到与第一个相同的图像，numpy数组的形状应该与绘图1中使用的输入数据相似

numpy被输入到神经网络，用于检测模式，这意味着表示在这里很重要

那么，我如何让它存储实际的情节，而没有所有红色的东西

如果这在matplotlib中不可能，那么在哪个库中也可以这样做呢

数据范围从-1.828067到22.70058。但是，在第二个绘图中，将其剪切到vmin=0和vmax=1之间的范围。因此，所有大于1的数据将在imshow图中显示为红色

如果你使用

norm = matplotlib.colors.Normalize(vmin=-1.828067,vmax=22.70058)

你应该得到原始数组

请注意，如果不将数据转换为颜色数组，结果应该是相同的，因此整个转换可能是不必要的，您可以简单地进行

plt.imshow(data.T,cmap = cm.jet, aspect = 'auto')

---

我最后做的是：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
from PIL import Image
import librosa
import librosa.display
from matplotlib import cm
from sklearn import preprocessing

min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))

fig = plt.figure(figsize=(12,4))
min = -1.828067
max = 22.70058
data =  np.random.uniform(low=min, high=max, size=(474,40))
librosa.display.specshow(data.T,sr=16000,x_axis='frames',y_axis='mel',hop_length=160,cmap=cm.jet)
plt.axis('off')
plt.show()
#raw_input("sadas")

convert = plt.get_cmap(cm.jet)
data = min_max_scaler.fit_transform(data)
print data.min()
print data.max()
numpy_output_static = convert(data.T)
plt.imshow(numpy_output_static, aspect = 'auto')
plt.show()
#raw_input("asds")

我可能曾经有点不正确地使用了normalize函数，并认为normalize将处理输入数据，但事实似乎并非如此。所以我在绘制图之前用Sklearn将其归一化

然后利用cmap

结果是：