一、matplotlib的绘图样式（style）
在matplotlib中，可以定义自己喜欢的色彩样式，到时候画图的时候，直接拿来用。
1.matplotlib预先定义样式
matplotlib内预先设置好的几种样式
import matplotlib as mplimport matplotlib.pyplot as pltimport numpy as npplt.style.use('default') # 默认样式,左plt.plot([1,2,3,4],[2,3,4,5])plt.style.use('ggplot') #ggplot样式，右plt.plot([1,2,3,4],[2,3,4,5])
**print(plt.style.available)**查看一共有多少样式。
[‘Solarize_Light2’, ‘_classic_test_patch’, ‘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’]
2.用户自定义stylesheet
在任意路径下创建一个后缀名为mplstyle的样式清单，编辑文件添加以下样式内容
axes.titlesize : 24 axes.labelsize : 20 lines.linewidth : 3 lines.markersize : 10 xtick.labelsize : 16 ytick.labelsize : 16
引用自定义stylesheet后观察图表变化。
plt.style.use(['dark_background', 'file/presentation.mplstyle'])plt.plot([1,2,3,4],[2,3,4,5])
3.设置rcparams
我们还可以通过修改默认rc设置的方式改变样式，所有rc设置都保存在一个叫做 matplotlib.rcParams的变量中。
修改过后再绘图，可以看到绘图样式发生了变化。
plt.style.use('default') # 恢复到默认样式mpl.rcParams['lines.linewidth'] = 2mpl.rcParams['lines.linestyle'] = '--'plt.plot([1,2,3,4],[2,3,4,5])
另外matplotlib也还提供了了一种更便捷的修改样式方式，可以一次性修改多个样式。
mpl.rc('lines', linewidth=4, linestyle='-.')plt.plot([1,2,3,4],[2,3,4,5])
4.修改matplotlibrc文件
由于matplotlib是使用matplotlibrc文件来控制样式的，也就是上一节提到的rc setting，所以我们还可以通过修改matplotlibrc文件的方式改变样式。
# 查找matplotlibrc文件的路径mpl.matplotlib_fname()
找到路径后，就可以直接编辑样式文件了，打开后看到的文件格式大致是这样的，文件中列举了所有的样式参数，找到想要修改的参数，比如lines.linewidth: 8，并将前面的注释符号去掉，此时再绘图发现样式以及生效了。
Python\Python37\site-packages\matplotlib\mpl-data\matplotlibrc’
二、matplotlib的色彩设置（color）
在可视化中，如何选择合适的颜色和搭配组合也是需要仔细考虑的，色彩选择要能够反映出可视化图像的主旨。
从可视化编码的角度对颜色进行分析，可以将颜色分为色相、亮度和饱和度三个视觉通道。通常来说：色相： 没有明显的顺序性、一般不用来表达数据量的高低，而是用来表达数据列的类别。明度和饱和度： 在视觉上很容易区分出优先级的高低、被用作表达顺序或者表达数据量视觉通道。
具体关于色彩理论部分的知识，不属于本教程的重点，请参阅有关拓展材料学习。
ECharts数据可视化实验室
学会这6个可视化配色基本技巧，还原数据本身的意义
在matplotlib中，设置颜色有【RGB、RGBA；HEX RGB、RGBA；灰度色阶；单字符基本颜色；颜色名称】几种方式。
着重讲解一下
使用colormap设置一组颜色
有些图表支持使用colormap的方式配置一组颜色，从而在可视化中通过色彩的变化表达更多信息。
在matplotlib中，colormap共有五种类型:
- 顺序（Sequential）。通常使用单一色调，逐渐改变亮度和颜色渐渐增加，用于表示有顺序的信息
- 发散（Diverging）。改变两种不同颜色的亮度和饱和度，这些颜色在中间以不饱和的颜色相遇；当绘制的信息具有关键中间值（例如地形）或数据偏离零时，应使用此值。
- 循环（Cyclic）。改变两种不同颜色的亮度，在中间和开始/结束时以不饱和的颜色相遇。用于在端点处环绕的值，例如相角，风向或一天中的时间。
- 定性（Qualitative）。常是杂色，用来表示没有排序或关系的信息。
- 杂色（Miscellaneous）。一些在特定场景使用的杂色组合，如彩虹，海洋，地形等。
plt.style.use('default')x = np.random.randn(50)y = np.random.randn(50)plt.scatter(x,y,c=x,cmap='viridis')
三、colormap
颜色图通常根据其功能分为几类（例如，参见 [Moreland]）：
- 顺序的：亮度变化，通常使用单个色调，逐渐增加色彩饱和度；用于表示已排序的信息。
- 发散：亮度的变化，两种不同颜色的饱和度；使用在数据又临界中间值（例如地形图）或数据偏离零附近的时候使用
- 周期性：两种颜色的亮度变化，在中间和开始/结束时会以不饱和颜色相遇；应使用在端点处回绕的值，例如相角，风向或一天中的时间。
- 定性的：通常是杂色；应该用来表示没有顺序或关系的信息。
1.colormap的类型
Sequential
对于顺序图，亮度值通过色图单调增加。很好 某些
颜色图中的值范围从0到100（二进制和另一个灰度），其他值从 
。那些范围较小的因此将具有较小的感知范围。另请注意 功能在颜色图之间有所不同：有些在 其他人则比较弯曲。
许多从值连续2地块是单调递增的，但有些（秋，凉，春，冬）高原，甚至去向上和向下空间。其他（摩擦热，铜，热和热）在功能。在颜色图处于平稳或扭结区域的区域中表示的数据将导致感觉到数据在颜色图中的那些值中出现条带（有关此示例，请参见[mycarta-banding]）。
```python
cmaps[‘Perceptually Uniform Sequential’] = ['viridis', 'plasma', 'inferno', 'magma', 'cividis']
cmaps[‘Sequential’] = [ ‘Greys’, ‘Purples’, ‘Blues’, ‘Greens’, ‘Oranges’, ‘Reds’, ‘YlOrBr’, ‘YlOrRd’, ‘OrRd’, ‘PuRd’, ‘RdPu’, ‘BuPu’, ‘GnBu’, ‘PuBu’, ‘YlGnBu’, ‘PuBuGn’, ‘BuGn’, ‘YlGn’]
cmaps[‘Sequential (2)’] = [ ‘binary’, ‘gist_yarg’, ‘gist_gray’, ‘gray’, ‘bone’, ‘pink’, ‘spring’, ‘summer’, ‘autumn’, ‘winter’, ‘cool’, ‘Wistia’, ‘hot’, ‘afmhot’, ‘gist_heat’, ‘copper’]
<a name="jowkx"></a>
### Diverging
对于发散地图，我们希望单调递增 最大值，应该接近，然后单调递减 价值观。我们正在寻找近似相等的最小值色彩图相对两端的值。通过这些措施，BrBG和RdBu是不错的选择。coolwarm是一个不错的选择，但它涵盖的范围并不广泛 值。
```python
cmaps['Diverging'] = [
'PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu',
'RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']
Cyclic
- 对于循环贴图，我们希望以相同的颜色开始和结束，并在中间遇到一个对称的中心点。
从开始到中间应该单调变化，而从中间到结束则相反。它在增加和减少方面应该是对称的，并且只有色相不同。在两端和中间， 将反转方向，应将其平滑减少伪影的空间。有关循环图设计的更多信息，请参见[kovesi-colormaps]。 - 尽管此HSV颜色图与中心点不对称，但它仍包含在这组颜色图中。此外，整个颜色表中的值变化很大，使其成为表示数据以供观看者感知的不好选择。在[mycarta-jet]上可以看到关于这个想法的扩展 。
cmaps['Cyclic'] = ['twilight', 'twilight_shifted', 'hsv']Qualitative
定性色图的目的不是感知图，但是查看亮度参数可以为我们证明这一点。的值会在整个颜色表中移动，并且显然不会单调增加。这些不是用作感知色图的好选择。cmaps['Qualitative'] = ['Pastel1', 'Pastel2', 'Paired', 'Accent', 'Dark2', 'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b', 'tab20c']Miscellaneous
一些其他颜色图具有特定的用途（已针对它们创建）。例如，gist_earth，海洋和地形似乎都是为了将地形（绿色/棕色）和水深（蓝色）一起绘制而创建的。然后，我们希望看到这些颜色贴图存在差异，但是多种扭曲可能并不理想，例如在gist_earth和terrain中。创建了CMRmap可以很好地转换为灰度，尽管它似乎确实存在一些小缺陷。立方螺旋的创建是为了使亮度和色调都平滑变化，但是在绿色色调区域似乎出现了一个小的驼峰。创建了turbo以显示深度和视差数据。
这组颜色图中包含了常用的喷射颜色图。我们可以看到整个颜色表中的值变化很大，使其成为表示数据以供观看者感知的不好选择。在[mycarta-jet]和[turbo]上可以看到关于这个想法的扩展。cmaps['Miscellaneous'] = [ 'flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern', 'gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg', 'gist_rainbow', 'rainbow', 'jet', 'turbo', 'nipy_spectral', 'gist_ncar']2.如何自定义colormap
有时我们希望图表元素的颜色与数据集中某个变量的值相关，颜色随着该变量值的变化而变化，以反映数据变化趋势、数据的聚集、分析者对数据的理解等信息，这时，我们就要用到 matplotlib 的颜色映射（colormap）功能，即将数据映射到颜色。
要实现数据到颜色的映射需要做两件事：
- 变量值的变化范围很大，matplotlib用
[0, 1]区间的浮点数表示颜色RGB值，首先需要将不同的变量值映射到[0, 1]区间； - 将映射
[0, 1]区间的变量值映射到颜色。
matplotlib.colors 模块是实现 colormap 配色功能的核心模块。
- 该模块的
Normalize()类及其子类完成第1个任务； - 该模块的
colormap类及其子类完成第2个任务。
将上述两个类的实例，即：
- 定义变量数据映射到
[0, 1]区间的规则； - 和
[0, 1]映射到颜色的规则。
作为参数传递给绘图函数，即可实现颜色反映变量数据属性的目的。举个例子
点击下载数据集【iris.csv】
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
iris_df = pd.read_csv('iris.csv',index_col='index_col')
#用花萼长度作为 x 值， 花萼宽度作为 y 值绘制散点图
x = iris_df['PetalLength'].values
y = iris_df['SepalLength'].values
fig = plt.figure()
ax= plt.axes()
# 直接指定颜色
# 点的颜色都一样，颜色不反映更多的信息
plt.scatter(x, y,c='g')
plt.show()
我们希望用点的颜色反映这种分组聚集的信息，可以这样做：
- 定义一个三个颜色的列表为 colormap;
- 定义一个数据归一化的实例，将希望关联颜色的数据映射到
[0, 1]区间； - 使用 cmap, norm 实现图表元素的分组配色。 ```python import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt
iris_df = pd.read_csv(‘iris.csv’,index_col=’index_col’)
x = iris_df[‘PetalLength’].values y = iris_df[‘SepalLength’].values
fig = plt.figure() ax= plt.axes()
创建一个ListedColormap实例
定义了[0, 1]区间的浮点数到颜色的映射规则
cmp = mpl.colors.ListedColormap([‘r’,’g’,’b’])
创建一个BoundaryNorm实例
BoundaryNorm是数据分组中数据归一化比较好的方法
定义了变量值到 [0, 1]区间的映射规则，即数据归一化
norm = mpl.colors.BoundaryNorm([0, 2, 6.4, 7], cmp.N)
绘制散点图，用x值着色，
使用norm对变量值进行归一化，
使用自定义的ListedColormap颜色映射实例
norm将变量x的值归一化
cmap将归一化的数据映射到颜色
plt.scatter(x,y,c=x, cmap=cmp, norm=norm, alpha=0.7) #和正常作图相比，多了cmap和norm
plt.show()
<a name="dV9Gq"></a>
### maplotlib.colors 模块
`matplotlib.colors`模块的架构如下图所示：<br /><br />`matplotlib.colors`模块定义了11个类，定义了10个模块命名空间的方法。<br />`matplotlib.colors`模块的主要功能就是将数字或颜色参数转换为_RGB_或_RGBA_。<br />_RGB_和_RGBA_分别是0-1范围内3个或4个浮点数的序列。参见上一篇 matplotlib 颜色定义格式规范中的相关内容。<br />此模块包括：
- 用于将数字归一化的类和方法，即将列表中的数据映射到 `[0,1]`区间的浮点数；
- 用于将归范化后的数字映射到一维数组中的颜色，称之为 colormap。
<a name="cUrdd"></a>
#### 理解 `matplotlib.colors` 模块的工作
- 构建一个`[0,1]` 或 `[0, 255]`区间，该区间上有256个点；请想像把这256个点从左到右排列成一个长条；
- 通过`Normalize`类（或者它的子类，映射方法不同）将数据映射到这个区间，比如上例中’PetalLength’数据区间是`[1.0, 6.9]`, 就将区间`[1.0, 6.9]`映射到`[0, 1]`; 上例中定义了一个`BoundaryNorm`实例；
- 构建一个`colormap`（通常是它的子类）实例，该实例是一个颜色名称列表，或者浮点数数组表示的RGB值；这个颜色列表依次排列在`[0, 1]`这个区间的256个点上，但每个颜色（colormap中列出的颜色）占用的位置和区间则由`Normalize`指定；上例中定义一个`cmp = mpl.colors.ListedColormap(['r','g','b'])`，列出了3种颜色；
- 如果没有定义`colormap`，则默认使用`rc image.cmap`中的设置；
- 如果不指定`Normalize`，则默认使用`colors.Normalize`。 不指定也会报错
<a name="yE0bG"></a>
#### `matplotlib.Colormap`类及其子类
`matplotlib.colors`模块的`Colormap`类是一个基类，提供了将`[0, 1]`的数据映射到颜色的一些属性和方法供其子类使用，很少直接使用该基类，主要使用它的两个子类：
- ListedColrmap()
- LinearSegmentedColormap()
这两个子类就是两种不同的映射方法。
<a name="qjHBh"></a>
#### `colors.ListedColormap()`子类
`ListedColormap()`类从颜色列表生成一个`colormap`。
class matplotlib.colors.ListedColormap(colors, name=’from_list’, N=None) • 1
**`colors`**参数有两种形式：
- `matplotlib` 接受的规范的颜色列表，如`['r', 'g', 'b']`, 或`['C0', 'C3', 'C7']`，等，详见基础篇；
- 用`[0, 1]`区间的浮点数表示的RGB （N_3）或 RGBA （N_4)的数组，如：`array((0.9, 0.1, 0.1),(0.1, 0.9, 0.1),(0.1, 0.1, 0.9))`
以`colors = ['r', 'g', 'b']`为例：<br />就是将`[0, 1]`区间划分为三段，第一段映射为’r’色，第二段映射为’g’色，第三段映射为’b’色。<br />请看下面的示例：
```python
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.colors
x= np.linspace(1, 12, 24, endpoint=True)
y=x/x
fig = plt.figure()
ax= plt.axes()
# 将`[0, 1]`区间简单地分成四段，依次映射为列表`['r','g','b','y']`中列出的颜色
cmp = mpl.colors.ListedColormap(['r','g','b','y'])
#绘制散点图，用x值着色
#没有指定Norm，所以使用默认的`colors.Normalize`
#将x的值区间为 [1, 24]`映射（归一化）到`[0, 1]`区间
plt.scatter(x, y,s=120, marker='s', c=x, cmap=cmp)
plt.show()
详细可以参考这篇博客【Matplotlib 配色 之 Colormap 详解】
四、用colormap劈个叉
fig = plt.figure() #定义新的三维坐标轴
ax3 = plt.axes(projection='3d')
#定义三维数据
xx = np.arange(-5,5,0.5)
yy = np.arange(-5,5,0.5)
X, Y = np.meshgrid(xx, yy)
Z = np.sin(X)+np.cos(Y)
#作图
ax3.plot_surface(X,Y,Z,cmap='rainbow')
#ax3.contour(X,Y,Z, zdim='z',offset=-2，cmap='rainbow) #等高线图，要设置offset，为Z的最小值
plt.show()
红色到蓝色的渐变，红色是高点，蓝色的低点。
若有收获，就点个赞吧
0 人点赞
