提供佛山顺德网站设计,做家教的网站,官网手游,查询网站收录命令是这样的#xff0c;我有一个数组[-4.4, -2.8, -2.6, -2.2, -1.1, 1.1, 1.2, 1.3, 3.6, 6.0, 6.4, 12.3]#xff0c;它需要绘制散点图#xff0c;点的颜色来代表数值大小#xff1b;同时#xff0c;也需要在plottable上作为一列显示#xff0c;同样用颜色来代表数值的大小…是这样的我有一个数组[-4.4, -2.8, -2.6, -2.2, -1.1, 1.1, 1.2, 1.3, 3.6, 6.0, 6.4, 12.3]它需要绘制散点图点的颜色来代表数值大小同时也需要在plottable上作为一列显示同样用颜色来代表数值的大小。 还有两个额外的需求一、不同的数值的颜色要有区分度二、0值需要是白色正值为暖色系负值为冷色系从视觉上明显区分正负值。
一、matplotlib色标的选择
matplotlib官方提供了非常多的色标可供选择可见网址。
按照我的需求我选择了Diverging colormaps中的PiYG。 把色标反过来只需要加 _r。用如下代码查看色标及反过来的色标。
import matplotlib.pyplot as plt
import numpy as np
gradient np.linspace(0, 1, 256)
gradient np.vstack((gradient, gradient))
plt.imshow(gradient, aspectauto, cmapPiYG)
plt.show()
plt.imshow(gradient, aspectauto, cmapPiYG_r)
plt.show()结果如下
二、画散点图
1、直接画图
import matplotlib
y [-4.4, -2.8, -2.6, -2.2, -1.1, 1.1, 1.2, 1.3, 3.6, 6.0, 6.4, 12.3]
x list(range(len(y)))
plt.scatter(x,y,cy,cmap matplotlib.cm.PiYG_r) #绘图
cbar plt.colorbar() #添加色标
cbar.set_label(Value) #添加标签
plt.show() #显示结果为 可以看到白色的大概在4左右。
2、添加norm参数
matplotlib.colors模块提供了多种归一化Normalization的方式在官网搜索结果如下 下面简单介绍一些常用的 Normalize基本的线性归一化类将数据线性映射到指定范围内。 LogNorm对数归一化类将数据进行对数变换后进行线性归一化。 PowerNorm幂归一化类将数据进行幂变换后进行线性归一化。 SymLogNorm对称对数归一化类将数据进行对称对数变换后进行线性归一化。 BoundaryNorm边界归一化类可以将数据映射到离散的颜色值上。 TwoSlopeNorm双斜率归一化类将数据根据两个斜率进行分段线性归一化。 通过查看官网的介绍和例子发现CenteredNorm和TwoSlopeNorm比较符合我的要求。 尝试如下
import matplotlib
from matplotlib.colors import TwoSlopeNorm,CenteredNorm
y [-4.4, -2.8, -2.6, -2.2, -1.1, 1.1, 1.2, 1.3, 3.6, 6.0, 6.4, 12.3]
x list(range(len(y)))
# 数据归一化
norm1 TwoSlopeNorm(vminmin(y), vcenter0, vmaxmax(y))
norm2 CenteredNorm()
#绘图1
plt.scatter(x,y,cy,cmap matplotlib.cm.PiYG_r,norm norm1) #绘图
cbar plt.colorbar() #添加色标
cbar.set_label(Value) #添加标签
plt.show() #显示
#绘图2
plt.scatter(x,y,cy,cmap matplotlib.cm.PiYG_r,norm norm2) #绘图
cbar plt.colorbar() #添加色标
cbar.set_label(Value) #添加标签
plt.show() #显示结果如下 如图可见两种标准化方法都可以满足0值为白色的要求。但是TwoSlopeNorm的效果更好使得负值区的颜色区分更明显。
三、画表格
plottable的官网
1、普通画表格
from plottable import Table
from plottable import ColDef
from plottable.cmap import normed_cmap
from plottable.cmap import centered_cmap
import pandas as pd#准备数据
tabel_data pd.DataFrame()
tabel_data[value]y
#画表
fig,ax plt.subplots()
Table(tabel_data,textprops{ha:center},column_definitions[ColDef(name value,textprops{bbox: {boxstyle: circle, pad: 0.1}}, cmapmatplotlib.cm.PiYG_r),]).autoset_fontcolors(colnames[value])
plt.show()结果如下 可以区分正负值但是正值区和负值区里没有颜色深浅来区分值的大小。
2、加参数
以norm为关键词搜索plottable的官方手册发现它也有标准化方法。但是只有两个。 那么我可以试一下centered_cmap。
from plottable import Table
from plottable import ColDef
from plottable.cmap import centered_cmap
import pandas as pd#准备数据
tabel_data pd.DataFrame()
tabel_data[value]y
#画表
fig,ax plt.subplots()
Table(tabel_data,textprops{ha:center},column_definitions[ColDef(name value,textprops{bbox: {boxstyle: circle, pad: 0.1}}, cmapcentered_cmap(tabel_data[value], cmapmatplotlib.cm.PiYG_r)),]).autoset_fontcolors(colnames[value])
plt.show()结果如下 能够按颜色区分正负值。但是和matplotlib的CenteredNorm方法一样在负值区的颜色区分度不够。
3、增加区分度
在centered_cmap函数中通过num_stds参数调整区分度。当num_stds从默认的2.5调整为1时结果如下 可以发现负值区的区分度增加了然而正值区的区分度减少了。 归根结底是正值区和负值区的数值离散度不同。 所以只要正值区和负值区同步调整而不是分别调整就始终达不到理想的效果。
