Matplotlib.colors.LinearSegmentedColormap класс в Python

Опубликовано: 4 Марта, 2022

Matplotlib - потрясающая библиотека визуализации на Python для 2D-графиков массивов. Matplotlib - это многоплатформенная библиотека визуализации данных, построенная на массивах NumPy и предназначенная для работы с более широким стеком SciPy.

matplotlib.colors.LinearSegmentedColarmap

Класс matplotlib.colors.LinearSegmentedColarmap принадлежит модулю matplotlib.colors. Модуль matplotlib.colors используется для преобразования аргументов цвета или чисел в RGBA или RGB. Этот модуль используется для преобразования чисел в цвета или преобразования спецификации цвета в одномерный массив цветов, также известный как палитра цветов.

Класс matplotlib.colors.LinearSegmentedColormap используется для раскрашивания объектов на основе таблиц поиска с помощью линейных сегментов. Таблица для поиска создается путем линейной интерполяции для каждого основного цвета, поскольку область 0-1 делит его на любое количество сегментов. Его также можно использовать для создания цветовой карты из сегментов линейного отображения. Словарь по названию сегментных данных присутствует с красной, синей и зеленой записями. Каждая запись должна быть списком кортежей x, y0, y1, создающих строки таблицы. Важно отметить, что альфа-записи необязательны.
Например, предположим, что вы хотите, чтобы красный увеличивался от 0 до 1, зеленый - чтобы сделать то же самое, но в средней половине, а синий - в верхней половине. Тогда вы должны использовать следующий словарь:

seg_data_dict =
{‘red’: [(0.0, 0.0, 0.0),
(0.5, 1.0, 1.0),
(1.0, 1.0, 1.0)],
‘green’: [(0.0, 0.0, 0.0),
(0.25, 0.0, 0.0),
(0.75, 1.0, 1.0),
(1.0, 1.0, 1.0)],
‘blue’: [(0.0, 0.0, 0.0),
(0.5, 0.0, 0.0),
(1.0, 1.0, 1.0)]}

Каждая строка в таблице для данного цвета представляет собой последовательность кортежа x, y0, y1. В каждой последовательности x должен монотонно увеличиваться от 0 до 1. Для всего входного значения z, попадающего между x [i] и x [i + 1], линейно интерполированное выходное значение данного цвета находится между y1 [i] и y0 [ i + 1]:

row i: x y0 y1
row i+1: x y0 y1

Следовательно, y0 в первой строке и y1 в последней строке никогда не используются.

Methods of the class:

static from_list(name, colors, N=256, gamma=1.0): This method is used to create a linear segmented colormap with name from a sequence of colors which evenly move from colors[0] at val=0 to colors[-1] at val=1. N represents the number of rgb quantization levels.Also, list of tuples(value, color) can create division in the range unevenly.
reversed(self, name=None): It is used to make reversed instances of the Colormap.
parameters:
- name: It is an optional parameter taht accepts the name for the reversed colormap in the form of a string. If None, the name sets to the name of the parent colormap + “r”.
  Returns: This method returns a reversed colormap.
set_gamma(self, gamma): It is used to regenerate a color map by setting a new gamma value

Example 1:

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
  
# some dummy data
a = np.arange(0, np.pi, 0.1)
b = np.arange(0, 2 * np.pi, 0.1)
A, B = np.meshgrid(a, b)
X = np.cos(A) * np.sin(B) * 10
  
# custom segmented color dictionary
  
cdict1 = {"red":   ((0.0, 0.0, 0.0),
                   (0.5, 0.0, 0.1),
                   (1.0, 1.0, 1.0)),
  
         "green": ((0.0, 0.0, 0.0),
                   (1.0, 0.0, 0.0)),
  
         "blue":  ((0.0, 0.0, 1.0),
                   (0.5, 0.1, 0.0),
                   (1.0, 0.0, 0.0))
        }
  
cdict2 = {"red":   ((0.0, 0.0, 0.0),
                   (0.5, 0.0, 1.0),
                   (1.0, 0.1, 1.0)),
  
         "green": ((0.0, 0.0, 0.0),
                   (1.0, 0.0, 0.0)),
  
         "blue":  ((0.0, 0.0, 0.1),
                   (0.5, 1.0, 0.0),
                   (1.0, 0.0, 0.0))
        }
  
cdict3 = {"red":  ((0.0, 0.0, 0.0),
                   (0.25, 0.0, 0.0),
                   (0.5, 0.8, 1.0),
                   (0.75, 1.0, 1.0),
                   (1.0, 0.4, 1.0)),
  
         "green": ((0.0, 0.0, 0.0),
                   (0.25, 0.0, 0.0),
                   (0.5, 0.9, 0.9),
                   (0.75, 0.0, 0.0),
                   (1.0, 0.0, 0.0)),
  
         "blue":  ((0.0, 0.0, 0.4),
                   (0.25, 1.0, 1.0),
                   (0.5, 1.0, 0.8),
                   (0.75, 0.0, 0.0),
                   (1.0, 0.0, 0.0))
        }
  
# Creating a modified version of cdict3 
# with some transparency
# in the center of the range.
cdict4 = {**cdict3,
          "alpha": ((0.0, 1.0, 1.0),
                #   (0.25, 1.0, 1.0),
                    (0.5, 0.3, 0.3),
                #   (0.75, 1.0, 1.0),
                    (1.0, 1.0, 1.0)),
          }
blue_red1 = LinearSegmentedColormap("BlueRed1",
                                    cdict1)
blue_red2 = LinearSegmentedColormap("BlueRed2",
                                    cdict2)
plt.register_cmap(cmap = blue_red2)
  
# optional lut kwarg
plt.register_cmap(name ="BlueRed3", 
                  data = cdict3)
plt.register_cmap(name ="BlueRedAlpha",
                  data = cdict4)
figure, axes = plt.subplots(2, 2, 
                            figsize =(6, 9))
  
figure.subplots_adjust(left = 0.02,
                       bottom = 0.06, 
                       right = 0.95, 
                       top = 0.94, 
                       wspace = 0.05)
  
# Making 4 different subplots:
img1 = axes[0, 0].imshow(X, 
                         interpolation ="nearest", 
                         cmap = blue_red1)
  
figure.colorbar(img1, ax = axes[0, 0])
  
cmap = plt.get_cmap("BlueRed2")
img2 = axes[1, 0].imshow(X, 
                         interpolation ="nearest",
                         cmap = cmap)
  
figure.colorbar(img2, ax = axes[1, 0])
  
# set the third cmap as the default.
plt.rcParams["image.cmap"] = "BlueRed3"
  
img3 = axes[0, 1].imshow(X,
                         interpolation ="nearest")
figure.colorbar(img3, ax = axes[0, 1])
axes[0, 1].set_title("1st Alpha")
  
# Draw a line with low zorder to
# keep it behind the image.
axes[1, 1].plot([0, 10 * np.pi],
                [0, 20 * np.pi],
                color ="c",
                lw = 19,
                zorder =-1)
  
img4 = axes[1, 1].imshow(X, 
                         interpolation ="nearest")
figure.colorbar(img4, ax = axes[1, 1])
  
# Here it is: changing the colormap 
# for the current image and its
# colorbar after they have been plotted.
img4.set_cmap("BlueRedAlpha")
axes[1, 1].set_title("Variation in alpha")
  
figure.subplots_adjust(top = 0.8)
  
plt.show()

Output:

Example 2:

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
  
# Make some illustrative fake data:
a = np.arange(0, np.pi, 0.1)
b = np.arange(0, 2 * np.pi, 0.1)
A, B = np.meshgrid(a, b)
X = np.cos(A) * np.sin(B) * 10
  
# colormap froma list
# R -> G -> B
list_colors = [(1, 0, 0),
               (0, 1, 0), 
               (0, 0, 1)]  
  
  
# Discretizes the interpolation 
# into bins
all_bins = [3, 6, 10, 100]
cmap_name = "my_list"
figure, axes = plt.subplots(2, 2, 
                            figsize =(6, 9))
  
figure.subplots_adjust(left = 0.02, 
                       bottom = 0.06, 
                       right = 0.95, 
                       top = 0.94, 
                       wspace = 0.05)
  
for all_bin, ax in zip(all_bins, axes.ravel()):
      
    # Making the the colormap
    cm = LinearSegmentedColormap.from_list(
        cmap_name, 
        list_colors, 
        N = all_bin)
      
    im = ax.imshow(X, interpolation ="nearest",
                   origin ="lower", cmap = cm)
      
    ax.set_title("bin: % s" % all_bin)
    fig.colorbar(im, ax = ax)

Output:

Attention geek! Strengthen your foundations with the Python Programming Foundation Course and learn the basics.

To begin with, your interview preparations Enhance your Data Structures concepts with the Python DS Course. And to begin with your Machine Learning Journey, join the Machine Learning – Basic Level Course

Python

Matplotlib.colors.LinearSegmentedColormap класс в Python

matplotlib.colors.LinearSegmentedColarmap

РЕКОМЕНДУЕМЫЕ СТАТЬИ