Matplotlib colormaps

Dans Python, l'une des bibliothèques les plus utilisées est Matplotlib. John Hunter l'a créé en 2002 en tant que bibliothèque multiplateforme qui pourrait fonctionner sur une variété de systèmes d'exploitation. La méthode CMAP () dans le package Matplotlib fournit de nombreux colormaps intégrés. Le composant Pyplot de la bibliothèque Matplotlib propose une interface de type Matlab. Il aide également dans le tracé des lignes, des graphiques 3D, des barres, des contours et des parcelles de dispersion, entre autres choses.

De plus, les colormaps sont fréquemment classés comme séquentiels, divergents, qualitatifs ou cycliques, selon leur fonctionnalité. Une forme revue de la plupart des colormaps standard peuvent être acquises en incluant «_r» au nom. Matplotlib propose plusieurs colormaps développés qui peuvent être accessibles via Matplotlib.cm.obtenir.cmap. Dans cet article, nous parlerons sur le Matplotlib Colormaps à Python.

Création de notre colormap:

Nous modifierons et développerons nos colormaps si nous avons besoin de Colormaps sophistiqués ou si les colormaps prédéfinis de Matplotlib ne satisfont pas à nos exigences. Lorsque vous essayez d'adapter une colormap dans un motif, il est considérablement plus difficile à concevoir et à créer. Une visualisation incorporée dans un panneau ou une page Web à l'aide d'un thème de couleur préexistant.

Importer Matplotlib.pypllot comme plt
Importer Numpy comme NP
données = np.aléatoire.Random ([140, 140]) * 20
PLT.Figure (FigSize = (8, 8))
PLT.PCOLORMESH (données)
PLT.barre de couleur()

Dans ce scénario, faisons quelques changements avec nos colormaps. Nous devons intégrer des bibliothèques, puis utiliser ce programme pour créer des exemples de données qui seraient affichées. L'élément de données est une collection de valeurs intégrales de 140 x 140 allant de 0 à 20.

Nous pouvons l'évaluer en mettant en œuvre la commande suivante. Après cela, nous utilisons cette méthode pour afficher l'ensemble de données Mock avec Colormaps habituel. Cependant, si nous n'avons pas indiqué les colormaps que nous avons utilisés, les colormaps par défaut seront développés.

Classes de colormaps:

Colormaps séquentiels, colormaps cycliques, colormaps divergents et colormaps qualitatifs sont quelques classes de colormaps disponibles dans Matplotlib. Nous allons vous donner des représentations de chaque colormap catégorisé.

Importer Numpy comme NP
Importer Matplotlib.pypllot comme plt
x = np.lispace (-np.pi, np.pi, 60)
y = np.lispace (-np.pi, np.pi, 60)
X, y = np.Meshgrid (x, y)
Z = np.sin (x + y / 6)
Fig = plt.Figure (FigSize = (14,5.5))
figue.subplots_adjust (wspace = 0.4)
PLT.sous-intrigue (1,4,1)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('greens'))
PLT.barre de couleur()
PLT.axe ([- 2, 2, -2, 2])
PLT.titre ('séquentiel')
PLT.sous-intrigue (1,4,2)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('rdbu'))
PLT.barre de couleur()
PLT.axe ([- 1, 1, -1, 1])
PLT.Titre («divergence»)
PLT.sous-intrigue (1,4,3)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('rdbu_r'))
PLT.barre de couleur()
PLT.axe ([- 1, 1, -1, 1])
PLT.Titre («cyclique»)
PLT.sous-intrigue (1,4,4)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('dark2'))
PLT.barre de couleur()
PLT.axe ([- 3, 3, -3, 3])
PLT.titre («qualitatif»)

Colormaps séquentiels signifier un changement progressif de la luminance et de l'intensité des couleurs, en utilisant fréquemment un seul ton; il doit être nécessaire pour démontrer des données avec une séquence.

Colormaps divergents: Il représente une variation de la légèreté et peut-être l'intensité de deux teintes distinctes qui atteignent un consensus sur une couleur insaturée. Ce style peut être utilisé lorsque les données mappées contiennent une valeur moyenne pertinente, comme la topologie, ou si les données divergent de zéro.

Colormaps cycliques: Il montre une transition dans l'intensité de deux couleurs se croisant au centre et démarrant / se terminant à un ton insaturé. Ces colormaps peuvent être utilisés pour des éléments qui tournent autour des bornes, comme l'angle de phase, les modèles de vent ou la durée du jour.

Colormaps qualitatifs: Une variété de teintes utilisées pour représenter des données qui ne contiennent aucune sorte d'ordre ou d'association.

Les colormaps sont généralement classés en ces groupes en fonction de leurs objectifs.

Utilisation d'un Colormap intégré Matplotlib:

La sélection d'un colormap approprié est d'obtenir une bonne description de notre point de données dans une colormap 3D. Un critère Colormap, en particulier dans lequel les étapes identiques des données sont interprétées comme des étapes similaires dans l'espace colorimétrique, est le choix optimal à de nombreuses fins.

Les chercheurs ont découvert que notre cerveau reconnaît les variations du paramètre de luminosité car les données changent considérablement mieux que les variations de couleur. En conséquence, l'observateur comprendra facilement Colormaps avec une augmentation constante de la luminosité tout au long du modèle de couleur.

Importer Numpy comme NP
Importer Matplotlib.pypllot comme plt
x, y = np.mgrid [-6: 6: 0.06, -6: 6: 0.06]
z = (np.sqrt (x ** 4 + y ** 4) + np.sin (x ** 4 + y ** 4))
Fig, ax = plt.intrigues secondaires (1,1)
IM = hache.imshow (z)
figue.Colorbar (IM)
hache.yaxis.set_major_locator (plt.Nulllocator ())
hache.xaxis.set_major_locator (plt.Nulllocator ())

En tant que classe de mixin, des objets créés par des méthodes comme PCOLOR (), Contour (), Scatter () et Imshow (). Les classes de mixin incluent des fonctionnalités communes mais ne sont pas destinées à «se tenir dans leurs propres», ce ne sont pas la classe principale de l'objet. C'est ce qui permet à différents objets, comme la collection fournie par Poclor () ou Scatter (), et l'image produite par Imshow (), pour partager une infrastructure Colormap.

Colormaps par défaut dans Matplotlib:

Matplotlib comprend un grand nombre de colormaps prédéfinis, comme indiqué ici. Différentes bibliothèques avec un grand nombre de colormaps supplémentaires sont fournies dans le matplotlib. Allons-y et essayons quatre Colormaps Matplotlib différents.

Importer Numpy comme NP
Importer Matplotlib.pypllot comme plt
x, y = np.mgrid [-6: 6: 0.06, -6: 6: 0.06]
z = (np.sqrt (x ** 4 + y ** 4) + np.sin (x ** 4 + y ** 4))
de MPL_TOOLKITS.axes_grid1 Importer Make_axes_locatable
Fig, axes = plt.sous-intrigues (2,2, FigSize = (20,20))
pour la hache, nom en zip (axes.aplate (), cmap_list):
IM = hache.imshow (z, aspect = 'auto', cmap = plt.get_cmap (nom))
hache.yaxis.set_major_locator (plt.Nulllocator ())
hache.xaxis.set_major_locator (plt.Nulllocator ())
hache.set_aspect ('égal', réglable = 'box')
Divider = Make_axes_locatable (AX)
Cax = diviseur.APPEND_AXES ("Right", size = "6%", pad = 0.2)
PLT.Colorbar (IM, CAX = CAX)

Une variante inversée de la plupart des Colormaps prédéfinis peut être obtenue en insérant «_r» à l'étiquette. Matplotlib.cm.Obtenez CMAP (nom), nous passons ici le nom du paramètre à cette fonction qui montre le nom Colormap, peut être utilisé pour les acquérir.

Toute Colormaps spécifiée est identifié par la fonction get_cmap (). Utiliser Matplotlib.cm.registre_cmap (nom, cmap) pour enregistrer n'importe quel colormap.

Conclusion:

Nous avons couvert Matplotlib Colormaps dans cet article. De plus, nous avons discuté de l'utilisation de la fonction cmap () dans python. En raison de la perception de l'esprit humain, le choix de la bonne teinte pour nos colormaps est essentiel. La couleur communique les pensées, les sentiments et les sentiments. Matplotlib a une variété de colormaps, mais certaines personnes bénéficient d'une préférence distincte en ce qui concerne Colormaps. Dans Matplotlib, nous avons la capacité de générer et de modifier notre Colormaps. Nous avons utilisé le'rdylbu_r'colormaps pour évaluer les données avant de modifier les colormaps.