Matplotlib 05-樣式色彩秀芳華

一、matplotlib的繪圖樣式（style）

在matplotlib中，要想設定繪製樣式，最簡單的方法是在繪製元素時單獨設定樣式。
但是有時候，當使用者在做專題報告時，往往會希望保持整體風格的統一而不用對每張圖一張張修改，因此matplotlib庫還提供了四種批量修改全域性樣式的方式

1.matplotlib預先定義樣式

matplotlib貼心地提供了許多內建的樣式供使用者使用，使用方法很簡單，只需在python指令碼的最開始輸入想使用style的名稱即可呼叫，嘗試呼叫不同內建樣式，比較區別

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

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

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

那麼matplotlib究竟內建了那些樣式供使用呢？總共以下26種豐富的樣式可供選擇。

print(plt.style.available)

['Solarize_Light2', '_classic_test_patch', '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']

2.使用者自定義stylesheet

在任意路徑下建立一個字尾名為mplstyle的樣式清單，編輯檔案新增以下樣式內容

axes.titlesize : 24
axes.labelsize : 20
lines.linewidth : 3
lines.markersize : 10
xtick.labelsize : 16
ytick.labelsize : 16

引用自定義stylesheet後觀察圖表變化。

plt.style.use('mystyle.mplstyle')
plt.plot([1,2,3,4],[5,4,3,2])
plt.show()

值得特別注意的是，matplotlib支援混合樣式的引用，只需在引用時輸入一個樣式列表，若是幾個樣式中涉及到同一個引數，右邊的樣式表會覆蓋左邊的值。

plt.style.use(['dark_background', 'mystyle.mplstyle'])
plt.plot([1,2,3,4],[5,4,3,2])
plt.show()

3.設定rcparams

我們還可以通過修改預設rc設定的方式改變樣式，所有rc設定都儲存在一個叫做 matplotlib.rcParams的變數中。
修改過後再繪圖，可以看到繪圖樣式發生了變化。

plt.style.use('default') # 恢復到預設樣式
plt.plot([1,2,3,4],[5,4,3,2])
plt.show()

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

另外matplotlib也還提供了了一種更便捷的修改樣式方式，可以一次性修改多個樣式。

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

4.修改matplotlibrc檔案

由於matplotlib是使用matplotlibrc檔案來控制樣式的，也就是上一節提到的rc setting，所以我們還可以通過修改matplotlibrc檔案的方式改變樣式。

# 查詢matplotlibrc檔案的路徑
mpl.matplotlib_fname()

找到路徑後，就可以直接編輯樣式檔案了，開啟後看到的檔案格式大致是這樣的，檔案中列舉了所有的樣式引數，找到想要修改的引數，比如lines.linewidth: 8，並將前面的註釋符號去掉，此時再繪圖發現樣式以及生效了。

二、matplotlib的色彩設定（color）

在視覺化中，如何選擇合適的顏色和搭配組合也是需要仔細考慮的，色彩選擇要能夠反映出視覺化影像的主旨。
從視覺化編碼的角度對顏色進行分析，可以將顏色分為色相、亮度和飽和度三個視覺通道。通常來說：
色相： 沒有明顯的順序性、一般不用來表達資料量的高低，而是用來表達資料列的類別。
明度和飽和度： 在視覺上很容易區分出優先順序的高低、被用作表達順序或者表達資料量視覺通道。
具體關於色彩理論部分的知識，不屬於本教程的重點，請參閱有關擴充材料學習。
ECharts資料視覺化實驗室
學會這6個視覺化配色基本技巧，還原資料本身的意義

在matplotlib中，設定顏色有以下幾種方式：

1.RGB或RGBA

plt.style.use('default')

# 顏色用[0,1]之間的浮點數表示，四個分量按順序分別為(red, green, blue, alpha)，其中alpha透明度可省略
plt.plot([1,2,3],[3,2,1],color=(0.5, 0.2, 0.1))
plt.plot([4,5,6],[6,5,4],color=(0.5, 0.5, 0.2, 0.7))
plt.show()

2.HEX RGB 或 RGBA

# 用十六進位制顏色碼錶示，同樣最後兩位表示透明度，可省略
plt.plot([1,2,3],[3,2,1],color='#0b0904')
plt.plot([4,5,6],[6,5,4],color='#030c0e77')
plt.show()

3.灰度色階

# 當只有一個位於[0,1]的值時，表示灰度色階
plt.plot([1,2,3],[6,5,4],color='0.6')
plt.show()

4.單字元基本顏色

# matplotlib有八個基本顏色，可以用單字串來表示，分別是'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'，對應的是blue, green, red, cyan, magenta, yellow, black, and white的英文縮寫
plt.plot([1,2,3],[6,5,4],color='c')
plt.show()

5.顏色名稱

# matplotlib提供了顏色對照表，可供查詢顏色對應的名稱
plt.plot([1,2,3],[6,5,4],color='crimson')
plt.show()

6.使用colormap設定一組顏色

有些圖表支援使用colormap的方式配置一組顏色，從而在視覺化中通過色彩的變化表達更多資訊。

在matplotlib中，colormap共有五種型別:

• 順序（Sequential）。通常使用單一色調，逐漸改變亮度和顏色漸漸增加，用於表示有順序的資訊
• 發散（Diverging）。改變兩種不同顏色的亮度和飽和度，這些顏色在中間以不飽和的顏色相遇；當繪製的資訊具有關鍵中間值（例如地形）或資料偏離零時，應使用此值。
• 迴圈（Cyclic）。改變兩種不同顏色的亮度，在中間和開始/結束時以不飽和的顏色相遇。用於在端點處環繞的值，例如相角，風向或一天中的時間。
• 定性（Qualitative）。常是雜色，用來表示沒有排序或關係的資訊。
• 雜色（Miscellaneous）。一些在特定場景使用的雜色組合，如彩虹，海洋，地形等。

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

作業

1）查閱matplotlib官網，列舉出Sequential，Diverging，Cyclic，Qualitative，Miscellaneous分別有哪些內建的colormap，並以程式碼繪圖的形式展現出來

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

cmaps = OrderedDict()

cmaps={'Perceptually Uniform Sequential':['viridis', 'plasma', 'inferno', 'magma', 'cividis'],
       'Sequential':['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds','YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu','GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'],
       'Sequential (2)':['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink','spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia','hot', 'afmhot', 'gist_heat', 'copper'],
       'Diverging':['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu','RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic'],
       'Cyclic':['twilight', 'twilight_shifted', 'hsv'],
       'Qualitative':['Pastel1', 'Pastel2', 'Paired', 'Accent','Dark2', 'Set1', 'Set2', 'Set3','tab10', 'tab20', 'tab20b', 'tab20c'],
       'Miscellaneous':['flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern','gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg','gist_rainbow', 'rainbow', 'jet', 'turbo', 'nipy_spectral','gist_ncar']}

gradient = np.vstack((np.linspace(0, 1, 256), np.linspace(0, 1, 256)))
def plot_color_gradients(cmap_category, cmap_list):
    fig, axes = plt.subplots(nrows=len(cmap_list),figsize=(8,len(cmap_list)/4))
    fig.subplots_adjust(top=0.95, bottom=0.01, left=0.2, right=0.99)
    axes[0].set_title(cmap_category + ' colormaps', fontsize=14)
    for ax, name in zip(axes, cmap_list):
        ax.imshow(gradient, aspect='auto', cmap=plt.get_cmap(name))
        pos = list(ax.get_position().bounds)
        x_text = pos[0] - 0.01
        y_text = pos[1] + pos[3]/2.
        fig.text(x_text, y_text, name, va='center', ha='right', fontsize=10)
    for ax in axes:
        ax.set_axis_off()
for cmap_category, cmap_list in cmaps.items():
    plot_color_gradients(cmap_category, cmap_list)
plt.show()

2）學習如何自定義colormap，並將其應用到任意一個資料集中，繪製一幅影像，注意colormap的型別要和資料集的特性相匹配，並做簡單解釋

mpl.rcParams.update({'font.size': 12})
_DSUBS = {'Perceptually Uniform Sequential': 5, 'Sequential': 6,'Sequential (2)': 6, 'Diverging': 6, 'Cyclic': 3,'Qualitative': 4, 'Miscellaneous': 6}
_DC = {'Perceptually Uniform Sequential': 1.4, 'Sequential': 0.7,'Sequential (2)': 1.4, 'Diverging': 1.4, 'Cyclic': 1.4,'Qualitative': 1.4, 'Miscellaneous': 1.4}
x = np.linspace(0.0, 1.0, 100)
for cmap_category, cmap_list in cmaps.items():
    dsub = _DSUBS.get(cmap_category, 6)
    nsubplots = int(np.ceil(len(cmap_list) / dsub))
    fig, axes = plt.subplots(nrows=nsubplots, squeeze=False,figsize=(11, 2.6*nsubplots))
    for i, ax in enumerate(axes.flat):
        locs = [] 
        for j, cmap in enumerate(cmap_list[i*dsub:(i+1)*dsub]):
            rgb = cm.get_cmap(cmap)(x)[np.newaxis, :, :3]
            lab = cspace_converter("sRGB1", "CAM02-UCS")(rgb)
            if cmap_category == 'Sequential':
                y_ = lab[0, ::-1, 0]
                c_ = x[::-1]
            else:
                y_ = lab[0, :, 0]
                c_ = x
            dc = _DC.get(cmap_category, 1.4)  
            ax.scatter(x + j*dc, y_, c=c_, cmap=cmap, s=300, linewidths=0.0)
            if cmap_category in ('Perceptually Uniform Sequential','Sequential'):
                locs.append(x[-1] + j*dc)
            elif cmap_category in ('Diverging', 'Qualitative', 'Cyclic','Miscellaneous', 'Sequential (2)'):
                locs.append(x[int(x.size/2.)] + j*dc)
        ax.set_xlim(axes[0, 0].get_xlim())
        ax.set_ylim(0.0, 100.0)
        ax.xaxis.set_ticks_position('top')
        ticker = mpl.ticker.FixedLocator(locs)
        ax.xaxis.set_major_locator(ticker)
        formatter = mpl.ticker.FixedFormatter(cmap_list[i*dsub:(i+1)*dsub])
        ax.xaxis.set_major_formatter(formatter)
        ax.xaxis.set_tick_params(rotation=50)
        ax.set_ylabel('Lightness $L^*$', fontsize=12)
    ax.set_xlabel(cmap_category + ' colormaps', fontsize=14)
    fig.tight_layout(h_pad=0.0, pad=1.5)
    plt.show()