[Python知识库]Task5：第五回：样式色彩秀芳华

参考资料：

1、Python数据可视化matplotlib：第五回：样式色彩秀芳华_林遠夏的博客-程序员秘密：https://url.cy/wryWK2

2、学会这6个可视化配色基本技巧，还原数据本身的意义：https://zhuanlan.zhihu.com/p/88892542

3、RGB颜色和HEX颜色之间是可以一一对应的，以下网址提供了两种色彩表示方法的转换工具：https://www.colorhexa.com/

4、[matplotlib] 颜色设置及Matplotlib颜色对照表：https://zhuanlan.zhihu.com/p/65220518

5、matplotlib基本颜色演示：https://www.matplotlib.org.cn/gallery/color/color_demo.html

6、五种colormap的字符串表示和颜色图的对应关系：https://matplotlib.org/stable/tutorials/colors/colormaps.html

7、rcParam支持的参数列表可以参照官方文档的相关说明：
https://matplotlib.org/stable/api/matplotlib_configuration_api.html?highlight=rcparams#matplotlib.rcParams

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

详细介绍matplotlib中样式和颜色的使用。
绘图样式和颜色是丰富可视化图表的重要手段，因此熟练掌握本章可以让可视化图表变得更美观，突出重点和凸显艺术性。

关于绘图样式，常见的有3种方法，分别是修改预定义样式，自定义样式和rcparams。

关于颜色使用，本章介绍了常见的5种表示单色颜色的基本方法，以及colormap多色显示的方法。

1、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

1.1、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

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,如下：

# 默认样式
plt.style.use('default')
plt.plot([1,2,3,4],[2,3,4,5]);

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

print(plt.style.available)
len(plt.style.available)

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', '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']


28

# 绘制所有风格图

fig = plt.figure(figsize = (60, 30))
for i in range(len(plt.style.available)):
    plt.subplot(4, 7, i+1)
    plt.title(plt.style.available[i],fontsize=50,color='k')
    plt.style.use(plt.style.available[i])
    plt.plot([1,2,3,4],[2,3,4,5])

fig.suptitle('style',fontsize=100, color='b',fontweight='bold')
plt.tight_layout()
plt.show()

1.2、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('presentation.mplstyle')
plt.plot([1,2,3,4],[2,3,4,5]);

# 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', 'presentation.mplstyle'])
plt.plot([1,2,3,4],[2,3,4,5]);

1.3、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],[2,3,4,5]);

#  修改参数 设置

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

另外matplotlib也还提供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]);

mpl.rc('lines', linewidth=4, linestyle='-.')
mpl.rc('axes', titlesize = 24, labelsize = 30)
plt.xlabel('xlabel')
plt.title("This is title")
plt.plot([1,2,3,4],[2,3,4,5]);

1.4、修改 matplotlibrc

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()

'E:\\Anaconda3\\envs\\pytorch\\lib\\site-packages\\matplotlib\\mpl-data\\matplotlibrc'

2、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:https://zhuanlan.zhihu.com/p/88892542

2.1、RGB或RGBA

# 设置绘图样式
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],[4,5,6],color=(0.1, 0.2, 0.5))
plt.plot([4,5,6],[1,2,3],color=(0.1, 0.2, 0.5, 0.5));

2.2、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],[4,5,6],color='#0f0f0f')
plt.plot([4,5,6],[1,2,3],color='#0f0f0f80');

RGB颜色和HEX颜色之间是可以一一对应的，以下网址提供了两种色彩表示方法的转换工具：https://www.colorhexa.com/

2.3、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],[4,5,6],color='0.5');

2.4、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],[4,5,6],color='m');

2.5、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],[4,5,6],color='tan');

2.6、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。

在以下官网页面可以查询上述五种colormap的字符串表示和颜色图的对应关系：https://matplotlib.org/stable/tutorials/colors/colormaps.html

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

cmaps = {}

gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))


def plot_color_gradients(category, cmap_list):
    # Create figure and adjust figure height to number of colormaps
    nrows = len(cmap_list)
    figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
    fig, axs = plt.subplots(nrows=nrows + 1, figsize=(6.4, figh))
    fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
                        left=0.2, right=0.99)
    axs[0].set_title(f'{category} colormaps', fontsize=14)

    for ax, name in zip(axs, cmap_list):
        ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
        ax.text(-0.01, 0.5, name, va='center', ha='right', fontsize=10,
                transform=ax.transAxes)

    # Turn off *all* ticks & spines, not just the ones with colormaps.
    for ax in axs:
        ax.set_axis_off()

    # Save colormap list for later.
    cmaps[category] = cmap_list

2.6.1、顺序（Sequential）

# 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

plot_color_gradients('Perceptually Uniform Sequential',
                     ['viridis', 'plasma', 'inferno', 'magma', 'cividis'])

plot_color_gradients('Sequential',
                     ['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
                      'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
                      'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'])

plot_color_gradients('Sequential (2)',
                     ['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone',
                      'pink', 'spring', 'summer', 'autumn', 'winter', 'cool',
                      'Wistia', 'hot', 'afmhot', 'gist_heat', 'copper'])

2.6.2、发散（Diverging）

plot_color_gradients('Diverging',
                     ['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu', 'RdYlBu',
                      'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic'])

2.6.3、循环（Cyclic）

plot_color_gradients('Cyclic', ['twilight', 'twilight_shifted', 'hsv'])

2.6.4、定性（Qualitative）

plot_color_gradients('Qualitative',
                     ['Pastel1', 'Pastel2', 'Paired', 'Accent', 'Dark2',
                      'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b',
                      'tab20c'])

2.6.5、杂色（Miscellaneous）

plot_color_gradients('Miscellaneous',
                     ['flag', 'prism', 'ocean', 'gist_earth', 'terrain',
                      'gist_stern', 'gnuplot', 'gnuplot2', 'CMRmap',
                      'cubehelix', 'brg', 'gist_rainbow', 'rainbow', 'jet',
                      'turbo', 'nipy_spectral', 'gist_ncar'])

plt.show()

# 示例
# RdPu为Sequential子类

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

plt.scatter(x,y,c=x,cmap='flag');

3、思考题

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

# 参考链接：Python数据可视化matplotlib：第五回：样式色彩秀芳华_林遠夏的博客-程序员秘密：https://url.cy/wryWK2
# 三种不同的颜色，分别代表了鸢尾花三种类型的数据，这里使用的是sklearn库自带的数据，方便处理。

import pandas as pd                       #数据分析、处理
import numpy as np                        #科学计算包
import matplotlib.pyplot as plt           #画图

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split 
iris_dataset = load_iris() # sklearn已经整理了Iris数据集，使用load_iris函数可以直接下载，使用；

 
#导入数据
iris = load_iris()
X = iris.data[:,:2]  #指选择第一个和第三个特征作为输入
y = iris.target   # 输出
 
x_min,x_max = X[:,0].min()-.5, X[:,0].max()+.5
y_min,y_max = X[:,1].min()-.5, X[:,1].max()+.5
 
plt.figure(2,figsize=(8,6))
plt.clf()
 
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.Set1,edgecolor='k')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')#以花瓣长度和宽度为横纵坐标绘制一个图
 
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.xticks(())
plt.yticks(())
 
plt.show()

使用 matplotlib 自定义Colormap

自定义 colormap 通常要使用 matplotlib.colors 模块中提供的函数和方法。

matplotlib.colors 是用来转换数字列表或颜色参数为 RGB 或 RGBA 的模块。RGB 和 RGBA 是具有3个或4个浮点数且数值在 [0, 1] 之间的序列。

创建 colormap 时通常需要以下两步：

1、使用 Normalize 实例或子类将数据数组归一化为 [0 1]之间的数组

2、使用 Colormap 子类的实例进行数据和颜色的映射

模块中提供了以下两个函数创建 colormap：

LinearSegmentedColormap ：有内置 colormap 实例均由此函数创建，但也可以自定义colormap

ListedColormap ：从颜色列表创建 colormap

3.1、使用 LinearSegmentedColormap 的 from_list 方法创建 colormap

参考链接：

python colormap_Python matplotlib的使用并自定义colormap的方法：https://blog.csdn.net/weixin_39739661/article/details/110753542

使用 matplotlib 自定义Colormap：https://cloud.tencent.com/developer/article/1618345

# 显示原图片
import matplotlib.pyplot as plt # plt 用于显示图片
import matplotlib.image as mpimg # mpimg 用于读取图片
import numpy as np

lena = mpimg.imread('img_188.jpg') # 读取和代码处于同一目录下的 lena.png
# 此时 lena 就已经是一个 np.array 了，可以对它进行任意处理
lena.shape #(512, 512, 3)

plt.imshow(lena) # 显示图片
plt.axis('off') # 不显示坐标轴

(-0.5, 4023.5, 3035.5, -0.5)

from matplotlib.colors import LinearSegmentedColormap
import random
import matplotlib.image as mpimg

# R, G, B 三色
colors = [(1, 0, 0), (0, 1, 0), (0, 0, 1)]

# 用于进行 colormap 插值，表示 colormap 颜色区间
n_bins = [3, 6, 10, 100]  

# colormap 名
cmap_name = 'my_cmap'

fig, axs = plt.subplots(2, 2, figsize=(6, 9))
fig.subplots_adjust(left=0.02, bottom=0.06, right=0.95, top=0.94, wspace=0.05)

data=mpimg.imread('img_188.jpg')

for n_bin, ax in zip(n_bins, axs.ravel()):
    # 创建 colormap
    cm = LinearSegmentedColormap.from_list(cmap_name, colors, N=n_bin)
    # n_bin 越小，插值得到的颜色区间越少
    
    im = ax.imshow(data, interpolation='nearest', origin='lower', cmap=cm)
    ax.set_title("N bins: %s" % n_bin)
    fig.colorbar(im, ax=ax)
    
plt.axis('off') # 不显示坐标轴
plt.show()    

# 添加colormap的对象是灰度图，可以变成热量图，从而更加明显的发现一些规律，适用于一些雷达图像等

from PIL import Image

# 将彩色图片转换成黑白图片
im=Image.open("img_188.jpg")
im1 = im.convert('L')

# 保存图片
# im.save("image.jpg")
# im1.show()

plt.subplot(1,2,1) 
plt.imshow(im)
plt.axis('off') # 不显示坐标轴

plt.subplot(1,2,2) 
plt.imshow(im1);
plt.axis('off') # 不显示坐标轴

(-0.5, 4023.5, 3035.5, -0.5)

# 从图片中读取数据，转换成colormap图

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import matplotlib as mpl
from PIL import Image
import numpy as np

# 自定义colormap
def colormap():
    return mpl.colors.LinearSegmentedColormap.from_list('cmap',
                                                        ['#FFFFFF', '#98F5FF', '#00FF00', '#FFFF00','#FF0000', '#8B0000'], 
                                                        256)

# 读取图
plt.subplot(1, 2, 1)
data=mpimg.imread('img_188.jpg')
plt.imshow(data);

# 如果需要固定colorbar的范围，可以设置参数vmin，vmax，具体参考
#http://matplotlib.org/api/image_api.html

# 设定每个图的colormap和colorbar所表示范围是一样的，即归一化
plt.subplot(1, 2, 2)
plt.imsave('colormap.jpg',data, cmap=colormap())
plt.imshow(data, cmap=colormap());

# 这里没有显示出来colorbar的数值分布，得到的图像是等大的

3.2、使用 ListedColormap 自定义 colormap

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



# 生成图片格式自定义
def colormap():
    # 白青绿黄红
    cdict = ['#FFFFFF', '#9ff113', '#5fbb44', '#f5f329', '#e50b32']
    # 按照上面定义的colordict，将数据分成对应的部分，indexed：代表顺序
    return colors.ListedColormap(cdict, 'indexed')


# 加载数据
data=mpimg.imread('img_188.jpg')
fig = plt.figure()

# 加载图片设置

my_cmap = colormap()

# 第一个子图,按照默认配置
ax = fig.add_subplot(221)
ax.imshow(data)

# 第二个子图,使用api自带的colormap
ax = fig.add_subplot(222)
cmap = mpl.cm.bwr # 蓝，白，红
ax.imshow(data, cmap=cmap)

# 第三个子图增加一个colorbar
ax = fig.add_subplot(223)
cmap = mpl.cm.winter # 冬季风格
im = ax.imshow(data, cmap=my_cmap)
plt.colorbar(im) # 增加colorbar

# 第四个子图可以调整colorbar
ax = fig.add_subplot(224)
cmap = mpl.cm.rainbow

# 这里设置colormap的固定值
norm = mpl.colors.Normalize(vmin=-1, vmax=1)
im=ax.imshow(data,cmap=cmap)
plt.colorbar(im,cmap=cmap, norm=norm,ticks=[-1,0,1])

# 显示
plt.show()