樣式色彩

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

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],[2,3,4,5])

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

⭐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']

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(filepath)

plt.style.use('file/presentation.mplstyle')
plt.plot([1,2,3,4],[2,3,4,5])

覆蓋問題

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', 'file/presentation.mplstyle'])
plt.plot([1,2,3,4],[2,3,4,5])

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。

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

mpl.rcParams  # 可檢視有關樣式設定的引數，太多就不在這裡展示了

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='-.')

修改matplotlibc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。

通過mpl.matplotlib_fname()查詢matplotlibrc檔案的路徑，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。

matplotlib的色彩設定color

RGB或RGBA

# 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],[4,5,6],color=(0.1, 0.2, 0.5))
plt.plot([4,5,6],[1,2,3],color=(0.1, 0.2, 0.5, 0.5))

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],[4,5,6],color='#0f0f0f')
plt.plot([4,5,6],[1,2,3],color='#0f0f0f80')

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],[4,5,6],color='0.6')

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],[4,5,6],color='c')

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],[4,5,6],color='lightpink')

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='RdPu')

實戰

Ex1

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']

cmaps['Sequential'] = [
            'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
            'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
            'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']

cmaps['Sequential (2)'] = [
            'binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink',
            'spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia',
            'hot', 'afmhot', 'gist_heat', 'copper']

cmaps['Diverging'] = [
            'PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu',
            'RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']

cmaps['Cyclic'] = ['twilight', 'twilight_shifted', 'hsv']

cmaps['Qualitative'] = ['Pastel1', 'Pastel2', 'Paired', 'Accent',
                        'Dark2', 'Set1', 'Set2', 'Set3',
                        'tab10', 'tab20', 'tab20b', 'tab20c']

cmaps['Miscellaneous'] = [
            'flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern',
            'gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg',
            'gist_rainbow', 'rainbow', 'jet', 'turbo', 'nipy_spectral',
            'gist_ncar']

nrows = max(len(cmap_list) for cmap_category, cmap_list in cmaps.items())
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))


def plot_color_gradients(cmap_category, cmap_list, nrows):
    fig, axes = plt.subplots(nrows=nrows)
    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)

    # Turn off *all* ticks & spines, not just the ones with colormaps.
    for ax in axes:
        ax.set_axis_off()


for cmap_category, cmap_list in cmaps.items():
    plot_color_gradients(cmap_category, cmap_list, nrows)

plt.show()

Ex2

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

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap

# from color names
mycmp = ListedColormap(["lightcoral", "rosybrown", "gainsboro", "tan"])
x = np.random.randn(50)
y = np.random.randn(50)
plt.scatter(x,y,c=x,cmap=mycmp)

# from Nx4 numpy arrays [R,G,B,transparency]
redgreen=np.array([[113/256,174/256,70/256,1],
                  [150/256,183/256,68/256,1],
                  [196/256,204/256,56/256,1],
                  [235/256,225/256,42/256,1],
                  [234/256,176/256,38/256,1],
                  [227/256,133/256,43/256,1],
                  [216/256,93/256,42/256,1],
                  [206/256,38/256,38/256,1],
                  [172/256,32/256,38/256,1]])
redgreen=ListedColormap(redgreen)
x = np.random.randn(50)
y = np.random.randn(50)
plt.scatter(x,y,c=x,cmap=redgreen)

import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
df = pd.read_csv("D:/data_train_1.csv")
cormatrix = df.iloc[:,12:22].corr()
plt.subplots(figsize=(9, 9))
sns.heatmap(cormatrix, annot=True, vmax=1, square=True, cmap=redgreen)
plt.show()

相關性越強顏色越紅，反之越綠，這種配色本想做交通流量的圖，但是地圖的繪製還有待學習。

參考：
matplotlib官網
datawhale樣式色彩