Colormapapes mate

En Python, una de las bibliotecas más utilizadas es matplotlib. John Hunter lo creó en 2002 como una biblioteca multiplataforma que podría ejecutarse en una variedad de sistemas operativos. El método CMAP () en el paquete matplotlib proporciona numerosos colormaps incorporados. El componente pyplot de la biblioteca matplotlib ofrece una interfaz similar a Matlab. También ayuda en el trazado de líneas, gráficos 3D, barras, contornos y tramas de dispersión, entre otras cosas.

Además, los colormaps se clasifican con frecuencia como secuenciales, divergentes, cualitativos o cíclicos, dependiendo de su funcionalidad. Se puede adquirir una forma revertida de la mayoría de los colores estándar al incluir '_r' al nombre. Matplotlib ofrece varios colormapas desarrollados a los que se puede acceder a través de Matplotlib.cm.conseguir.CMAP. En este artículo, hablaremos sobre los colormaps mateplotlib en Python.

Creando nuestro CollorMap:

Modificaremos y desarrollaremos nuestros colormaps si requerimos colormaps sofisticados o si los colormaps predefinidos de matplotlib no satisfacen nuestros requisitos. Al tratar de colocar un colormapap en un patrón, es considerablemente más difícil de diseñar y crear. Una visualización incorporada dentro de un panel o página web utilizando un tema de color preexistente.

Importar matplotlib.Pyplot como PLT
importar numpy como np
datos = np.aleatorio.aleatorio ([140, 140]) * 20
PLT.Figura (Figsize = (8, 8))
PLT.PCOLORMESH (datos)
PLT.barra de color()

En este escenario, hagamos algunos cambios con nuestros colormaps. Necesitamos integrar bibliotecas y luego usar este programa para crear datos de muestra que se mostrarían. El elemento de datos es una recopilación de 140 x 140 valores integrales que van de 0 a 20.

Podemos evaluarlo implementando el comando posterior. Después de eso, utilizamos este método para mostrar el conjunto de datos simulados con colormaps habituales. Sin embargo, si no indicamos los colormaps que utilizamos, se desarrollarán los colormaps predeterminados.

Clases de Colormaps:

Colormapas secuenciales, color anormaponos cíclicos, colores divergentes y colormaps cualitativos son algunas clases de los colormaps disponibles en matplotlib. Vamos a darle representaciones de cada color de color categorizado.

importar numpy como np
Importar matplotlib.Pyplot como PLT
x = NP.Linspace (-np.PI, NP.Pi, 60)
y = NP.Linspace (-np.PI, NP.Pi, 60)
X, y = np.Meshgrid (x, y)
Z = NP.pecado (x + y/6)
Fig = PLT.Figura (Figsize = (14,5.5))
higo.subplots_adjust (wspace = 0.4)
PLT.subtrama (1,4,1)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('greens'))
PLT.barra de color()
PLT.eje ([ -2, 2, -2, 2])
PLT.Título ('secuencial')
PLT.subtrama (1,4,2)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('rdbu'))
PLT.barra de color()
PLT.eje ([ -1, 1, -1, 1])
PLT.Título ('divergente')
PLT.subtrama (1,4,3)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('rdbu_r'))
PLT.barra de color()
PLT.eje ([ -1, 1, -1, 1])
PLT.Título ('cíclico')
PLT.subtrama (1,4,4)
PLT.PCOLORMESH (X, Y, Z, CMAP = PLT.cm.get_cmap ('Dark2'))
PLT.barra de color()
PLT.eje ([ -3, 3, -3, 3])
PLT.Título ('cualitativo')

Colormapas secuenciales Significa un cambio progresivo en la luminancia e intensidad de color, con frecuencia usando solo un tono; debe ser necesario para demostrar datos con secuencia.

Colormapas divergentes: Representa una variación en la ligereza y quizás la intensidad de dos tonos separados que alcanzan un consenso en un color insaturado. Este estilo se puede utilizar cuando los datos mapeados contienen un valor medio relevante, como la topología o si los datos divergen desde cero.

Color anormaponos cíclicos: Muestra una transición en la intensidad de dos colores que se cruzan en el centro y comienzan/terminan en un tono insaturado. Estos colormaps se pueden usar para elementos que giran en torno a las terminales, como el ángulo de fase, los patrones de viento o la duración del día.

Colormaps cualitativos: Una variedad de tonos utilizados para representar datos que no contienen ningún tipo de orden o asociación.

Los colormaps generalmente se clasifican en estos grupos en función de sus propósitos.

Uso de un colormapap incorporado de matplotlib:

Seleccionar un colormapapa adecuado es obtener una buena descripción de nuestro punto de datos en un colormapap 3D. Un criterio ColorMap, especialmente en el que las etapas idénticas en los datos se interpretan como etapas similares en el espacio de color, es la opción óptima para muchos fines.

Los investigadores descubrieron que nuestro cerebro reconoce las variaciones en el parámetro de brillo a medida que los datos cambian considerablemente mejor que las variaciones de color. Como resultado, el observador comprenderá fácilmente los color anormapones con un aumento constante en el brillo en todo el modelo de color.

importar numpy como np
Importar matplotlib.Pyplot como PLT
x, y = np.Mgrid [-6: 6: 0.06, -6: 6: 0.06]
Z = (NP.sqrt (x ** 4 + y ** 4) + np.sin (x ** 4 + y ** 4))
Fig, Ax = PLT.subtramas (1,1)
IM = AX.Imshow (z)
higo.barra de color (im)
hacha.yaxis.set_major_locator (PLT.NullLocator ())
hacha.xaxis.set_major_locator (PLT.NullLocator ())

Como clase de mezcla, objetos creados por métodos como pcolor (), contour (), scatter () e imshow () subtipo SCALARMAPABLE. Las clases de mezcla incluyen características comunes, pero no tienen la intención de "estar dentro de su cuenta", no son la clase principal del objeto. Esto es lo que permite diferentes objetos, como la colección proporcionada por Poclor () o Scatter (), y la imagen producida por imshow (), para compartir una infraestructura de color anormapón.

Colormaps predeterminados en matplotlib:

Matplotlib incluye una gran cantidad de colormapaps predefinidos, como se muestra aquí. Se proporcionan diferentes bibliotecas con una gran cantidad de colormapas adicionales en matplotlib. Sigamos adelante y probemos cuatro colormaps de matlotlib diferentes.

importar numpy como np
Importar matplotlib.Pyplot como PLT
x, y = np.Mgrid [-6: 6: 0.06, -6: 6: 0.06]
Z = (NP.sqrt (x ** 4 + y ** 4) + np.sin (x ** 4 + y ** 4))
de mpl_toolkits.axes_grid1 import make_axes_locatable
Fig, ejes = PLT.subtramas (2,2, figsize = (20,20))
Para Axe, nombre en zip (hachas.Flatten (), CMAP_LIST):
IM = AX.imshow (z, aspecto = 'auto', cmap = plt.get_cmap (nombre))
hacha.yaxis.set_major_locator (PLT.NullLocator ())
hacha.xaxis.set_major_locator (PLT.NullLocator ())
hacha.set_aspect ('igual', ajustable = 'box')
divisor = make_axes_locatable (ax)
Cax = divisor.append_axes ("correcto", size = "6%", pad = 0.2)
PLT.barra de color (IM, Cax = Cax)

Se puede obtener una variante invertida de la mayoría de los colores preestablecidos insertando '_r' en la etiqueta. Mate.cm.Obtenga CMAP (nombre), aquí pasamos el nombre de los parámetros a esta función que muestra el nombre de colormapap, se puede usar para adquirirlos.

Cualquier colormaps especificada se identifica mediante la función get_cmap (). Utilizar matplotlib.cm.registrar_cmap (nombre, CMAP) para registrar cualquier colormapap.

Conclusión:

Cubrimos los colormaps de matplotlib en este artículo. Además, discutimos el uso de la función CMAP () en Python. Debido a la percepción de la mente humana, es fundamental elegir el tono adecuado para nuestros colormaps. El color comunica pensamientos, sentimientos y sentimientos. Matplotlib tiene una variedad de colormapapes, sin embargo, algunas personas tienen una preferencia clara cuando se trata de colormaps. En matplotlib, tenemos la capacidad de generar y editar nuestros colormaps. Utilizamos los 'rdylbu_r'colormaps para evaluar los datos antes de modificar los colormaps.