8.10 自定義顏色條

原文：Customizing Colorbars

譯者：飛龍

協(xié)議：CC BY-NC-SA 4.0

本節(jié)是《Python 數(shù)據(jù)科學(xué)手冊》（Python Data Science Handbook）的摘錄。

繪圖圖例標(biāo)識離散點的離散標(biāo)簽买雾。對于基于點狮斗，線條或區(qū)域顏色的連續(xù)標(biāo)簽，帶標(biāo)簽的顏色條可能是一個很好的工具。在 Matplotlib 中葛菇，顏色條是一個單獨的軸域壶辜，可以為繪圖中的顏色含義提供見解。原書是黑白打印的铛漓，但是在線版本是彩色的溯香，你可以在這里看到全彩的圖形。我們首先為繪圖配置筆記本浓恶，并導(dǎo)入我們將使用的函數(shù)：

import matplotlib.pyplot as plt
plt.style.use('classic')

%matplotlib inline
import numpy as np

我們在本節(jié)中多次看到玫坛，可以使用plt.colorbar函數(shù)創(chuàng)建最簡單的顏色條：

x = np.linspace(0, 10, 1000)
I = np.sin(x) * np.cos(x[:, np.newaxis])

plt.imshow(I)
plt.colorbar();

png

我們現(xiàn)在將討論一些想法，自定義這些顏色條包晰，并在各種情況下有效地使用它們湿镀。

自定義顏色條

可以使用創(chuàng)建可視化的繪圖函數(shù)的cmap參數(shù)指定顏色條：

plt.imshow(I, cmap='gray');

png

所有可用的顏色表都在plt.cm命名空間中；IPython 的 TAB 補全伐憾，將為你提供內(nèi)置選項的完整列表：

plt.cm.<TAB>

但是能夠選擇顏色表只是第一步：更重要的是如何在選項中做決策勉痴！選擇結(jié)果比你最初預(yù)期的要微妙得多。

選擇顏色表

可視化中的顏色選擇的完全處理树肃，超出了本書的范圍蚀腿，但是為了閱讀這個主題和其他內(nèi)容，請參閱文章“更好的繪圖的十個簡單的規(guī)則”。Matplotlib 的在線文檔還有一個關(guān)于顏色表選擇的有趣討論莉钙。

一般來講廓脆，你應(yīng)該了解三種不同類型的顏色表：

• 順序顏色表：它們由連續(xù)的顏色序列組成（例如，binary或viridis）磁玉。
• 發(fā)散顏色表：這些通常包含兩種不同的顏色停忿，顯示相對均值的正偏差和負(fù)偏差（例如，RdBu或PuOr）蚊伞。
• 定性顏色表：這些混合顏色沒有特定的順序（例如席赂，rainbow或jet）。

jet顏色表是 2.0 版之前 Matplotlib 中的默認(rèn)值时迫，是定性顏色表的一個示例颅停。它的默認(rèn)狀態(tài)非常不幸，因為對于表示定量數(shù)據(jù)來講掠拳，定性映射往往是不良選擇癞揉。問題之一是，定性映射通常在尺度增加時不顯示任何均勻的亮度變化溺欧。

我們可以通過將jet顏色表轉(zhuǎn)換成黑白來看到這一點：

from matplotlib.colors import LinearSegmentedColormap

def grayscale_cmap(cmap):
    """返回給定顏色表的灰度版本"""
    cmap = plt.cm.get_cmap(cmap)
    colors = cmap(np.arange(cmap.N))
    
    # 將 RGBA 轉(zhuǎn)換為感知灰度亮度
    # cf. http://alienryderflex.com/hsp.html
    RGB_weight = [0.299, 0.587, 0.114]
    luminance = np.sqrt(np.dot(colors[:, :3] ** 2, RGB_weight))
    colors[:, :3] = luminance[:, np.newaxis]
        
    return LinearSegmentedColormap.from_list(cmap.name + "_gray", colors, cmap.N)
    

def view_colormap(cmap):
    """使用顏色表的灰度等價物來繪制它"""
    cmap = plt.cm.get_cmap(cmap)
    colors = cmap(np.arange(cmap.N))
    
    cmap = grayscale_cmap(cmap)
    grayscale = cmap(np.arange(cmap.N))
    
    fig, ax = plt.subplots(2, figsize=(6, 2),
                           subplot_kw=dict(xticks=[], yticks=[]))
    ax[0].imshow([colors], extent=[0, 10, 0, 1])
    ax[1].imshow([grayscale], extent=[0, 10, 0, 1])

view_colormap('jet')

png

注意灰度圖像中的明亮條紋喊熟。即使是全彩色，這種不均勻的亮度意味著姐刁，眼睛會被吸引到顏色范圍的某些部分芥牌，這可能會強調(diào)數(shù)據(jù)集的不重要部分。最好使用例如viridis（Matplotlib 2.0 的默認(rèn)值）的顏色表聂使，它專門為在整個范圍內(nèi)具有均勻的亮度變化而構(gòu)建壁拉。因此，它不僅可以很好地適應(yīng)我們的色彩感知柏靶，而且可以很好地轉(zhuǎn)換為灰度打由壬獭：

view_colormap('viridis')

png

如果你喜歡彩虹圖案，連續(xù)數(shù)據(jù)的另一個良好選擇是cubehelix顏色表：

view_colormap('cubehelix')

png

對于其他情況宿礁，例如顯示某些均值的正偏差和負(fù)偏差案铺，諸如RdBu（Red-Blue）的雙色顏色表可能是有用的。但是梆靖，你會在下圖中看到控汉，重要的是要注意，在轉(zhuǎn)換為灰度時返吻，正負(fù)信息將會丟失姑子！

view_colormap('RdBu')

png

當(dāng)我們繼續(xù)時，我們將看到使用其中一些顏色表的示例测僵。

Matplotlib 中有大量的顏色表街佑；要查看它們的列表谢翎，可以使用 IPython 來探索plt.cm子模塊。對于在 Python 中使用顏色的更加合乎正道的途徑沐旨，你可以參考 Seaborn 庫中的工具和文檔（參見“使用 Seaborn 進行可視化”）森逮。

顏色限制和擴展

Matplotlib 允許定制大范圍的顏色條磁携。顏色條本身只是plt.Axes的一個實例闷供，所以我們學(xué)到的所有軸域和刻度的格式化技巧都適用粮呢。顏色條有一些有趣的靈活性：例如香璃，我們可以縮小顏色限制姻乓，并通過設(shè)置extend屬性，在頂部和底部用三角形箭頭指示越界值。這可能會派上用場，例如，如果顯示受噪聲影響的圖像：

# 為 1% 的圖像像素生成噪聲
speckles = (np.random.random(I.shape) < 0.01)
I[speckles] = np.random.normal(0, 3, np.count_nonzero(speckles))

plt.figure(figsize=(10, 3.5))

plt.subplot(1, 2, 1)
plt.imshow(I, cmap='RdBu')
plt.colorbar()

plt.subplot(1, 2, 2)
plt.imshow(I, cmap='RdBu')
plt.colorbar(extend='both')
plt.clim(-1, 1);

png

請注意溃蔫，在左側(cè)面板中，默認(rèn)顏色限制會響應(yīng)噪聲像素网沾，并且噪聲范圍會完全消除我們感興趣的模式桦山。在右側(cè)面板中钉凌，我們手動設(shè)置顏色限制捂人，并添加擴展來標(biāo)識高于或低于這些限制的值御雕。結(jié)果是對我們的數(shù)據(jù)更加有用的可視化。

離散顏色條

默認(rèn)情況下滥搭，顏色表是連續(xù)的酸纲，但有時你想表示離散值。最簡單的方法是使用plt.cm.get_cmap()函數(shù)瑟匆，并傳遞合適的顏色表的名稱以及所需的桶數(shù)：

plt.imshow(I, cmap=plt.cm.get_cmap('Blues', 6))
plt.colorbar()
plt.clim(-1, 1);

png

顏色表的離散版本可以像任何其他顏色表一樣使用闽坡。

示例：手寫數(shù)字

對于這可能有用的示例，讓我們看一些手寫數(shù)字?jǐn)?shù)據(jù)的有趣可視化愁溜。
這些數(shù)據(jù)包含在 Scikit-Learn 中疾嗅，包含近 2,000 張8x8的縮略圖，顯示各種手寫數(shù)字祝谚。

現(xiàn)在宪迟，讓我們首先下載數(shù)字?jǐn)?shù)據(jù)并使用plt.imshow()可視化幾個示例圖像：

# 加載數(shù)字 0~5 的圖像
# 可視化它們中的幾個
from sklearn.datasets import load_digits
digits = load_digits(n_class=6)

fig, ax = plt.subplots(8, 8, figsize=(6, 6))
for i, axi in enumerate(ax.flat):
    axi.imshow(digits.images[i], cmap='binary')
    axi.set(xticks=[], yticks=[])

png

因為每個數(shù)字由其 64 個像素的亮度定義，我們可以將每個數(shù)字視為位于 64 維空間中的點：每個維度代表一個像素的亮度交惯。但是在這種高維空間中可視化關(guān)系可能非常困難次泽。解決這個問題的一種方法是使用降維技術(shù)穿仪，例如流形學(xué)習(xí)，來減少數(shù)據(jù)的維度意荤，同時保持感興趣的關(guān)系啊片。降維是無監(jiān)督機器學(xué)習(xí)的一個例子，我們將在“什么是機器學(xué)習(xí)玖像？”中更詳細(xì)地討論它紫谷。

推遲對這些細(xì)節(jié)的討論，讓我們看一下這個數(shù)字?jǐn)?shù)據(jù)的二維流形學(xué)習(xí)投影（詳見“深入分析：流形學(xué)習(xí)”）：

# 使用 IsoMap 將數(shù)字投影到二維
from sklearn.manifold import Isomap
iso = Isomap(n_components=2)
projection = iso.fit_transform(digits.data)

我們將使用我們的離散顏色表來查看結(jié)果捐寥，設(shè)置ticks和clim來改善所得顏色條的美感：

# 繪制結(jié)果
plt.scatter(projection[:, 0], projection[:, 1], lw=0.1,
            c=digits.target, cmap=plt.cm.get_cmap('cubehelix', 6))
plt.colorbar(ticks=range(6), label='digit value')
plt.clim(-0.5, 5.5)

png

該投影還為我們提供了一些數(shù)據(jù)集內(nèi)部關(guān)系的有趣見解：例如笤昨，5 和 3 的范圍在此投影中幾乎重疊，表明一些手寫的五和三難以區(qū)分握恳，因此更容易由自動分類算法混淆瞒窒。其他值，如 0 和 1乡洼，更加分散崇裁，因此更不容易混淆。這個觀察結(jié)果與我們的直覺一致束昵，因為 5 和 3 看起來比 0 和 1 更相似拔稳。

我們將在第 5 章中返回流形學(xué)習(xí)和數(shù)字分類。