Python 非线性彩色映射_Python_Matplotlib

Python 非线性彩色映射

python matplotlib

Python 非线性彩色映射,python,matplotlib,Python,Matplotlib,是否有任何颜色贴图，或者是否有一种简单的方法来转换matplotlib颜色贴图，以提供更大的接近0.5的颜色范围，并在极端情况下提供更小的颜色范围？我正在创建一组子图，其中一个的颜色值大约是其他的10倍，所以它的值占主导地位，其余的图看起来都一样。举个简单的例子，我们有： import numpy as np import matplotlib.pyplot as plt x = np.linspace(1,10,10) y = np.linspace(1,10,10) t1 = np.ra

是否有任何颜色贴图，或者是否有一种简单的方法来转换matplotlib颜色贴图，以提供更大的接近0.5的颜色范围，并在极端情况下提供更小的颜色范围？我正在创建一组子图，其中一个的颜色值大约是其他的10倍，所以它的值占主导地位，其余的图看起来都一样。举个简单的例子，我们有：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(1,10,10)
y = np.linspace(1,10,10)

t1 = np.random.normal(2,0.3,10)
t2 = np.random.normal(9,0.01,10)
t2_max = max(t2)

plt.figure(figsize=(22.0, 15.50))

p = plt.subplot(1,2,1)
colors = plt.cm.Accent(t1/t2_max)
p.scatter(x, y, edgecolors=colors, s=15, linewidths=4)

p = plt.subplot(1,2,2)
colors = plt.cm.Accent(t2/t2_max)
p.scatter(x, y, edgecolors=colors, s=15, linewidths=4)

plt.subplots_adjust(left=0.2)
cbar_ax = plt.axes([0.10, 0.15, 0.05, 0.7])
sm = plt.cm.ScalarMappable(cmap=plt.cm.Accent, norm=plt.Normalize(vmin=0, vmax=t2_max))
sm._A = []
cbar = plt.colorbar(sm,cax=cbar_ax)

plt.show()

t1的变异比t2的变异大得多，但由于t2的高值，无法看到这种变异。我想要的是一张地图，它将在t1的平均值周围提供一个更大的颜色梯度，而无需转换数据本身。我在这里找到了一个解决方案，但无法使其适用于我的散点图

编辑：从下面的答案类可以修改为负数，并固定边界

import numpy as np
import matplotlib.pyplot as plt

x = y = np.linspace(1, 10, 10)

t1mean, t2mean = -6, 9
sigma1, sigma2 = .3, .01
t1 = np.random.normal(t1mean, sigma1, 10)
t2 = np.random.normal(t2mean, sigma2, 10)

class nlcmap(object):
    def __init__(self, cmap, levels):
        self.cmap = cmap
        self.N = cmap.N
        self.monochrome = self.cmap.monochrome
        self.levels = np.asarray(levels, dtype='float64')
        self._x = self.levels
        self.levmax = self.levels.max()
        self.levmin = self.levels.min()
        self.transformed_levels = np.linspace(self.levmin, self.levmax,
             len(self.levels))

    def __call__(self, xi, alpha=1.0, **kw):
        yi = np.interp(xi, self._x, self.transformed_levels)
        return self.cmap(yi / (self.levmax-self.levmin)+0.5, alpha)

tmax = 10
tmin = -10
#the choice of the levels depends on the data:
levels = np.concatenate((
    [tmin, tmax],
    np.linspace(t1mean - 2 * sigma1, t1mean + 2 * sigma1, 5),
    np.linspace(t2mean - 2 * sigma2, t2mean + 2 * sigma2, 5),
    ))
levels = levels[levels <= tmax]
levels.sort()
print levels
cmap_nonlin = nlcmap(plt.cm.jet, levels)

fig, (ax1, ax2) = plt.subplots(1, 2)

ax1.scatter(x, y, edgecolors=cmap_nonlin(t1), s=15, linewidths=4)
ax2.scatter(x, y, edgecolors=cmap_nonlin(t2), s=15, linewidths=4)

fig.subplots_adjust(left=.25)
cbar_ax = fig.add_axes([0.10, 0.15, 0.05, 0.7])

#for the colorbar we map the original colormap, not the nonlinear one:
sm = plt.cm.ScalarMappable(cmap=plt.cm.jet, 
                norm=plt.Normalize(vmin=tmin, vmax=tmax))
sm._A = []

cbar = fig.colorbar(sm, cax=cbar_ax)
#here we are relabel the linear colorbar ticks to match the nonlinear ticks
cbar.set_ticks(cmap_nonlin.transformed_levels)
cbar.set_ticklabels(["%.2f" % lev for lev in levels])

plt.show()

将numpy导入为np
将matplotlib.pyplot作为plt导入
x=y=np.linspace（1,10,10）
t1mean，t2mean=-6,9
sigma1，sigma2=.3，.01
t1=np.随机.正常（t1平均值，sigma1，10）
t2=np.随机.正常（t2平均值，sigma2，10）
类nlcmap（对象）：
定义初始（自我、cmap、级别）：
self.cmap=cmap
self.N=cmap.N
self.monochy=self.cmap.monochy
self.levels=np.asarray（levels，dtype='float64'）
self.\u x=self.levels
self.levmax=self.levels.max（）
self.levmin=self.levels.min（）
self.transformed_levels=np.linspace（self.levmin，self.levmax，
len（自我水平））
DEF-αCall（自，席，α= 1，**KW）：
yi=np.interp（xi，self.\ux，self.transformed\u层级）
返回self.cmap（yi/（self.levmax self.levmin）+0.5，alpha）
tmax=10
tmin=-10
#级别的选择取决于数据：
级别=np.concatenate((
[tmin，tmax]，
np.linspace（t1mean-2*sigma1，t1mean+2*sigma1，5），
np.linspace（t2mean-2*sigma2，t2mean+2*sigma2，5），
))
级别=级别[levels你的颜色图提供了一个很好的解决方案。我编辑了一点，但它包含了所有必要的内容。你需要为你的非线性颜色图选择一些合理的级别。我使用了两个以平均值为中心的范围，在样本的标准偏差+-4
之间。通过将其更改为另一个数字，你可以得到一个d两个平均值周围颜色的不同局部梯度
对于颜色条，您可以

或者将颜色与线性间隔标签保持非线性间隔
您可以使用具有非线性间隔标签的线性间隔颜色

第二种方法在查看数据时具有更高的分辨率，看起来更漂亮，具体实现如下：
import numpy as np
import matplotlib.pyplot as plt

x = y = np.linspace(1, 10, 10)

t1mean, t2mean = 2, 9
sigma1, sigma2 = .3, .01
t1 = np.random.normal(t1mean, sigma1, 10)
t2 = np.random.normal(t2mean, sigma2, 10)

class nlcmap(object):
    def __init__(self, cmap, levels):
        self.cmap = cmap
        self.N = cmap.N
        self.monochrome = self.cmap.monochrome
        self.levels = np.asarray(levels, dtype='float64')
        self._x = self.levels
        self.levmax = self.levels.max()
        self.transformed_levels = np.linspace(0.0, self.levmax,
             len(self.levels))

    def __call__(self, xi, alpha=1.0, **kw):
        yi = np.interp(xi, self._x, self.transformed_levels)
        return self.cmap(yi / self.levmax, alpha)

tmax = max(t1.max(), t2.max())
#the choice of the levels depends on the data:
levels = np.concatenate((
    [0, tmax],
    np.linspace(t1mean - 4 * sigma1, t1mean + 4 * sigma1, 5),
    np.linspace(t2mean - 4 * sigma2, t2mean + 4 * sigma2, 5),
    ))

levels = levels[levels <= tmax]
levels.sort()

cmap_nonlin = nlcmap(plt.cm.jet, levels)

fig, (ax1, ax2) = plt.subplots(1, 2)

ax1.scatter(x, y, edgecolors=cmap_nonlin(t1), s=15, linewidths=4)
ax2.scatter(x, y, edgecolors=cmap_nonlin(t2), s=15, linewidths=4)

fig.subplots_adjust(left=.25)
cbar_ax = fig.add_axes([0.10, 0.15, 0.05, 0.7])

#for the colorbar we map the original colormap, not the nonlinear one:
sm = plt.cm.ScalarMappable(cmap=plt.cm.jet, 
                norm=plt.Normalize(vmin=0, vmax=tmax))
sm._A = []

cbar = fig.colorbar(sm, cax=cbar_ax)
#here we are relabel the linear colorbar ticks to match the nonlinear ticks
cbar.set_ticks(cmap_nonlin.transformed_levels)
cbar.set_ticklabels(["%.2f" % lev for lev in levels])

plt.show()

将numpy导入为np
将matplotlib.pyplot作为plt导入
x=y=np.linspace（1,10,10）
t1平均值，t2平均值=2,9
sigma1，sigma2=.3，.01
t1=np.随机.正常（t1平均值，sigma1，10）
t2=np.随机.正常（t2平均值，sigma2，10）
类nlcmap（对象）：
定义初始（自我、cmap、级别）：
self.cmap=cmap
self.N=cmap.N
self.monochy=self.cmap.monochy
self.levels=np.asarray（levels，dtype='float64'）
self.\u x=self.levels
self.levmax=self.levels.max（）
self.transformed_levels=np.linspace（0.0，self.levmax，
len（自我水平））
DEF-αCall（自，席，α= 1，**KW）：
yi=np.interp（xi，self.\ux，self.transformed\u层级）
返回self.cmap（yi/self.levmax，alpha）
tmax=max（t1.max（），t2.max（））
#级别的选择取决于数据：
级别=np.concatenate((
[0，tmax]，
np.linspace（t1mean-4*sigma1，t1mean+4*sigma1，5），
np.linspace（t2mean-4*sigma2，t2mean+4*sigma2，5），
))
levels=levels[levels您可以使用：
这样，您需要在字典中设置颜色查找表，例如下面的“cdict”
cdict = {'red':   [(0.0,  0.0, 0.0),
                   (0.15,  0.01, 0.01),
                   (0.35,  1.0, 1.0),
                   (1.0,  1.0, 1.0)],

         'green': [(0.0,  0.0, 0.0),
                   (1.0,  0.0, 1.0)],

         'blue':  [(0.0,  0.0, 1.0),
                   (0.9,  0.01, 0.01),
                   (1.0,  0.0, 1.0)]}

这显示了值之间的转换。我已将红色设置为围绕t1/t2_max
（0.15到0.35）的值变化很大，将蓝色设置为围绕t2/t2_max
（0.9到1.0）的值变化很大。绿色不起任何作用。我建议阅读以了解其工作原理。（请注意，这可以自动改变您的值）。然后我调整了您的代码以显示图形：
import matplotlib.colors as col

my_cmap = col.LinearSegmentedColormap('my_colormap', cdict)

plt.figure(figsize=(22.0, 15.50))

p = plt.subplot(1,2,1)
colors = my_cmap(t1/t2_max)

p.scatter(x, y, edgecolors=colors, s=15, linewidths=4)

p = plt.subplot(1,2,2)
colors = my_cmap(t2/t2_max)

p.scatter(x, y, edgecolors=colors, s=15, linewidths=4)

plt.subplots_adjust(left=0.2)
cbar_ax = plt.axes([0.10, 0.15, 0.05, 0.7])
sm = plt.cm.ScalarMappable(cmap=my_cmap, norm=plt.Normalize(vmin=0, vmax=t2_max))
sm._A = []
cbar = plt.colorbar(sm,cax=cbar_ax)

plt.show()

你试过norm=colors.LogNorm
吗？我试过，但没法成功。我一直在努力解决颜色映射问题。你介意修改上面的示例来展示它是如何工作的吗？谢谢，效果很好。不过，我还是不太明白cmap是如何工作的，如果有人能浏览并评论一下这个类的工作原理，那就太好了。有关负数和固定边界的版本，请参见“编辑”。好的，但您必须具体说明。您能告诉我哪一行很难理解，哪些内容不清楚吗？