Matplotlib 05-样式色彩秀芳华

Matplotlib 05-样式色彩秀芳华

一、matplotlib的绘图样式（style）

在matplotlib中，要想设置绘制样式，最简单的方法是在绘制元素时单独设置样式。
但是有时候，当用户在做专题报告时，往往会希望保持整体风格的统一而不用对每张图一张张修改，因此matplotlib库还提供了四种批量修改全局样式的方式

1.matplotlib预先定义样式

matplotlib贴心地提供了许多内置的样式供用户使用，使用方法很简单，只需在python脚本的最开始输入想使用style的名称即可调用，尝试调用不同内置样式，比较区别

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

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

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

那么matplotlib究竟内置了那些样式供使用呢？总共以下26种丰富的样式可供选择。

print(plt.style.available)

['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('mystyle.mplstyle')
plt.plot([1,2,3,4],[5,4,3,2])
plt.show()

值得特别注意的是，matplotlib支持混合样式的引用，只需在引用时输入一个样式列表，若是几个样式中涉及到同一个参数，右边的样式表会覆盖左边的值。

plt.style.use(['dark_background', 'mystyle.mplstyle'])
plt.plot([1,2,3,4],[5,4,3,2])
plt.show()

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
plt.plot([1,2,3,4],[5,4,3,2])
plt.show()

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

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],[5,4,3,2])
plt.show()

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。

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，设置颜色有以下几种方式：

1.RGB或RGBA

plt.style.use('default')

# 颜色用[0,1]之间的浮点数表示，四个分量按顺序分别为(red, green, blue, alpha)，其中alpha透明度可省略
plt.plot([1,2,3],[3,2,1],color=(0.5, 0.2, 0.1))
plt.plot([4,5,6],[6,5,4],color=(0.5, 0.5, 0.2, 0.7))
plt.show()

2.HEX RGB 或 RGBA

# 用十六进制颜色码表示，同样最后两位表示透明度，可省略
plt.plot([1,2,3],[3,2,1],color='#0b0904')
plt.plot([4,5,6],[6,5,4],color='#030c0e77')
plt.show()

3.灰度色阶

# 当只有一个位于[0,1]的值时，表示灰度色阶
plt.plot([1,2,3],[6,5,4],color='0.6')
plt.show()

4.单字符基本颜色

# matplotlib有八个基本颜色，可以用单字符串来表示，分别是'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'，对应的是blue, green, red, cyan, magenta, yellow, black, and white的英文缩写
plt.plot([1,2,3],[6,5,4],color='c')
plt.show()

5.颜色名称

# matplotlib提供了颜色对照表，可供查询颜色对应的名称
plt.plot([1,2,3],[6,5,4],color='crimson')
plt.show()

6.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。

x = np.random.randn(50)
y = np.random.randn(50)
plt.scatter(x,y,c=x,cmap='spring')
plt.show()

作业

1）查阅matplotlib官网，列举出Sequential，Diverging，Cyclic，Qualitative，Miscellaneous分别有哪些内置的colormap，并以代码绘图的形式展现出来

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
from matplotlib import cm
from colorspacious import cspace_converter
from collections import OrderedDict

cmaps = OrderedDict()

cmaps={'Perceptually Uniform Sequential':['viridis', 'plasma', 'inferno', 'magma', 'cividis'],
       'Sequential':['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds','YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu','GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'],
       'Sequential (2)':['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink','spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia','hot', 'afmhot', 'gist_heat', 'copper'],
       'Diverging':['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu','RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic'],
       'Cyclic':['twilight', 'twilight_shifted', 'hsv'],
       'Qualitative':['Pastel1', 'Pastel2', 'Paired', 'Accent','Dark2', 'Set1', 'Set2', 'Set3','tab10', 'tab20', 'tab20b', 'tab20c'],
       'Miscellaneous':['flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern','gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg','gist_rainbow', 'rainbow', 'jet', 'turbo', 'nipy_spectral','gist_ncar']}

gradient = np.vstack((np.linspace(0, 1, 256), np.linspace(0, 1, 256)))
def plot_color_gradients(cmap_category, cmap_list):
    fig, axes = plt.subplots(nrows=len(cmap_list),figsize=(8,len(cmap_list)/4))
    fig.subplots_adjust(top=0.95, bottom=0.01, left=0.2, right=0.99)
    axes[0].set_title(cmap_category + ' colormaps', fontsize=14)
    for ax, name in zip(axes, cmap_list):
        ax.imshow(gradient, aspect='auto', cmap=plt.get_cmap(name))
        pos = list(ax.get_position().bounds)
        x_text = pos[0] - 0.01
        y_text = pos[1] + pos[3]/2.
        fig.text(x_text, y_text, name, va='center', ha='right', fontsize=10)
    for ax in axes:
        ax.set_axis_off()
for cmap_category, cmap_list in cmaps.items():
    plot_color_gradients(cmap_category, cmap_list)
plt.show()

2）学习如何自定义colormap，并将其应用到任意一个数据集中，绘制一幅图像，注意colormap的类型要和数据集的特性相匹配，并做简单解释

mpl.rcParams.update({'font.size': 12})
_DSUBS = {'Perceptually Uniform Sequential': 5, 'Sequential': 6,'Sequential (2)': 6, 'Diverging': 6, 'Cyclic': 3,'Qualitative': 4, 'Miscellaneous': 6}
_DC = {'Perceptually Uniform Sequential': 1.4, 'Sequential': 0.7,'Sequential (2)': 1.4, 'Diverging': 1.4, 'Cyclic': 1.4,'Qualitative': 1.4, 'Miscellaneous': 1.4}
x = np.linspace(0.0, 1.0, 100)
for cmap_category, cmap_list in cmaps.items():
    dsub = _DSUBS.get(cmap_category, 6)
    nsubplots = int(np.ceil(len(cmap_list) / dsub))
    fig, axes = plt.subplots(nrows=nsubplots, squeeze=False,figsize=(11, 2.6*nsubplots))
    for i, ax in enumerate(axes.flat):
        locs = [] 
        for j, cmap in enumerate(cmap_list[i*dsub:(i+1)*dsub]):
            rgb = cm.get_cmap(cmap)(x)[np.newaxis, :, :3]
            lab = cspace_converter("sRGB1", "CAM02-UCS")(rgb)
            if cmap_category == 'Sequential':
                y_ = lab[0, ::-1, 0]
                c_ = x[::-1]
            else:
                y_ = lab[0, :, 0]
                c_ = x
            dc = _DC.get(cmap_category, 1.4)  
            ax.scatter(x + j*dc, y_, c=c_, cmap=cmap, s=300, linewidths=0.0)
            if cmap_category in ('Perceptually Uniform Sequential','Sequential'):
                locs.append(x[-1] + j*dc)
            elif cmap_category in ('Diverging', 'Qualitative', 'Cyclic','Miscellaneous', 'Sequential (2)'):
                locs.append(x[int(x.size/2.)] + j*dc)
        ax.set_xlim(axes[0, 0].get_xlim())
        ax.set_ylim(0.0, 100.0)
        ax.xaxis.set_ticks_position('top')
        ticker = mpl.ticker.FixedLocator(locs)
        ax.xaxis.set_major_locator(ticker)
        formatter = mpl.ticker.FixedFormatter(cmap_list[i*dsub:(i+1)*dsub])
        ax.xaxis.set_major_formatter(formatter)
        ax.xaxis.set_tick_params(rotation=50)
        ax.set_ylabel('Lightness $L^*$', fontsize=12)
    ax.set_xlabel(cmap_category + ' colormaps', fontsize=14)
    fig.tight_layout(h_pad=0.0, pad=1.5)
    plt.show()