极客笔记Matplotlib 颜色映射反转：如何巧妙运用反向色彩映射
参考：matplotlib colormaps reverse
Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了丰富的颜色映射（colormaps）功能，使得数据可视化更加生动和直观。在某些情况下，我们可能需要反转这些颜色映射，以便更好地展示数据或适应特定的视觉需求。本文将深入探讨 Matplotlib 中颜色映射的反转技巧，帮助您掌握这一强大的可视化工具。
1. 颜色映射的基本概念
在开始探讨颜色映射的反转之前，我们需要先了解什么是颜色映射。颜色映射是一种将数值范围映射到颜色范围的方法。在 Matplotlib 中，颜色映射通常用于表示连续数据的变化，如热图、等高线图或散点图中的第三维数据。
以下是一个简单的颜色映射示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建一个简单的数据集
data = np.random.rand(10, 10)
# 使用默认的颜色映射绘制热图
plt.imshow(data, cmap='viridis')
plt.colorbar(label='Value')
plt.title('Default Colormap Example - how2matplotlib.com')
plt.show()
Output:
在这个例子中，我们使用了 ‘viridis’ 颜色映射来可视化随机生成的数据。’viridis’ 是 Matplotlib 的默认颜色映射之一，它从深蓝色过渡到黄色。
2. 为什么需要反转颜色映射？
反转颜色映射可能出于多种原因：
- 视觉偏好：有时，反转的颜色映射可能更符合个人或团队的视觉偏好。
- 数据特性：某些数据集可能在反转的颜色映射下更容易解释或更有意义。
- 对比度：反转颜色映射可以改变图表的对比度，突出某些特定的数据范围。
- 一致性：在某些领域，可能有使用特定颜色映射方向的惯例。
3. 使用 ‘_r’ 后缀反转颜色映射
Matplotlib 提供了一种简单的方法来反转任何内置的颜色映射：只需在颜色映射名称后添加 ‘_r’ 后缀。
让我们看一个例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 使用原始的 'viridis' 颜色映射
plt.subplot(2, 1, 1)
plt.scatter(x, y, c=y, cmap='viridis')
plt.colorbar(label='sin(x)')
plt.title('Original Viridis Colormap - how2matplotlib.com')
# 使用反转的 'viridis_r' 颜色映射
plt.subplot(2, 1, 2)
plt.scatter(x, y, c=y, cmap='viridis_r')
plt.colorbar(label='sin(x)')
plt.title('Reversed Viridis Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了两个子图。上面的子图使用原始的 ‘viridis’ 颜色映射，而下面的子图使用反转的 ‘viridis_r’ 颜色映射。您可以清楚地看到颜色顺序的变化。
4. 使用 plt.cm.get_cmap() 反转颜色映射
除了使用 ‘_r’ 后缀，我们还可以使用 plt.cm.get_cmap() 函数来获取颜色映射对象，然后使用 reversed() 方法来反转它。
这里是一个示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 20)
y = np.linspace(0, 10, 20)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 获取原始的 'plasma' 颜色映射
original_cmap = plt.cm.get_cmap('plasma')
# 反转颜色映射
reversed_cmap = original_cmap.reversed()
# 绘制原始颜色映射的等高线图
plt.subplot(2, 1, 1)
plt.contourf(X, Y, Z, cmap=original_cmap)
plt.colorbar(label='Z value')
plt.title('Original Plasma Colormap - how2matplotlib.com')
# 绘制反转颜色映射的等高线图
plt.subplot(2, 1, 2)
plt.contourf(X, Y, Z, cmap=reversed_cmap)
plt.colorbar(label='Z value')
plt.title('Reversed Plasma Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们使用 plt.cm.get_cmap('plasma') 获取 ‘plasma’ 颜色映射，然后使用 reversed() 方法创建其反转版本。这种方法的优点是可以更灵活地控制颜色映射，例如，您可以在反转之前对颜色映射进行其他修改。
5. 创建自定义反转颜色映射
有时，您可能想要创建一个完全自定义的反转颜色映射。这可以通过使用 LinearSegmentedColormap 类来实现。
以下是一个创建自定义反转颜色映射的例子：
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
# 定义颜色映射的颜色
colors = ['red', 'white', 'blue']
# 创建原始颜色映射
n_bins = 100
cmap = mcolors.LinearSegmentedColormap.from_list('custom_cmap', colors, N=n_bins)
# 创建反转颜色映射
reversed_colors = list(reversed(colors))
reversed_cmap = mcolors.LinearSegmentedColormap.from_list('custom_cmap_r', reversed_colors, N=n_bins)
# 创建数据
data = np.random.rand(10, 10)
# 绘制原始颜色映射的热图
plt.subplot(2, 1, 1)
plt.imshow(data, cmap=cmap)
plt.colorbar(label='Value')
plt.title('Custom Colormap - how2matplotlib.com')
# 绘制反转颜色映射的热图
plt.subplot(2, 1, 2)
plt.imshow(data, cmap=reversed_cmap)
plt.colorbar(label='Value')
plt.title('Reversed Custom Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们首先定义了一个包含红、白、蓝三种颜色的列表。然后，我们使用这个列表创建了一个自定义的颜色映射。接着，我们反转颜色列表并创建了一个反转的颜色映射。最后，我们使用这两个颜色映射绘制了相同数据的热图，以展示差异。
6. 在 3D 图表中应用反转颜色映射
反转颜色映射不仅适用于 2D 图表，也可以应用于 3D 图表。以下是一个在 3D 表面图中应用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))
# 创建 3D 图形
fig = plt.figure(figsize=(12, 5))
# 原始颜色映射
ax1 = fig.add_subplot(121, projection='3d')
surf1 = ax1.plot_surface(X, Y, Z, cmap='coolwarm', linewidth=0, antialiased=False)
fig.colorbar(surf1, shrink=0.5, aspect=5, label='Z value')
ax1.set_title('Original Coolwarm Colormap - how2matplotlib.com')
# 反转颜色映射
ax2 = fig.add_subplot(122, projection='3d')
surf2 = ax2.plot_surface(X, Y, Z, cmap='coolwarm_r', linewidth=0, antialiased=False)
fig.colorbar(surf2, shrink=0.5, aspect=5, label='Z value')
ax2.set_title('Reversed Coolwarm Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个 3D 表面图，展示了原始的 ‘coolwarm’ 颜色映射和其反转版本 ‘coolwarm_r’ 的效果。这种技术在可视化复杂的 3D 数据时特别有用，可以帮助突出不同的数据特征。
7. 在等高线图中使用反转颜色映射
等高线图是另一种常用的数据可视化方式，特别适合展示二维平面上的三维数据。以下是一个在等高线图中使用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(-(X**2 + Y**2))
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
cs1 = ax1.contourf(X, Y, Z, cmap='YlGnBu', levels=20)
fig.colorbar(cs1, ax=ax1, label='Z value')
ax1.set_title('Original YlGnBu Colormap - how2matplotlib.com')
# 反转颜色映射
cs2 = ax2.contourf(X, Y, Z, cmap='YlGnBu_r', levels=20)
fig.colorbar(cs2, ax=ax2, label='Z value')
ax2.set_title('Reversed YlGnBu Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个高斯分布的二维数据，并使用等高线图来可视化它。左侧的图使用原始的 ‘YlGnBu’ 颜色映射，而右侧的图使用反转的 ‘YlGnBu_r’ 颜色映射。这种对比可以帮助我们以不同的方式理解数据的结构。
8. 在热图中应用反转颜色映射
热图是一种常用的数据可视化方式，特别适合展示矩阵数据。以下是一个在热图中应用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
data = np.random.rand(10, 10)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
im1 = ax1.imshow(data, cmap='RdYlBu')
fig.colorbar(im1, ax=ax1, label='Value')
ax1.set_title('Original RdYlBu Colormap - how2matplotlib.com')
# 反转颜色映射
im2 = ax2.imshow(data, cmap='RdYlBu_r')
fig.colorbar(im2, ax=ax2, label='Value')
ax2.set_title('Reversed RdYlBu Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个随机的 10×10 矩阵数据，并使用热图来可视化它。左侧的图使用原始的 ‘RdYlBu’ 颜色映射，而右侧的图使用反转的 ‘RdYlBu_r’ 颜色映射。这种对比可以帮助我们以不同的方式解释数据的分布和模式。
9. 在散点图中使用反转颜色映射
散点图是另一种常用的数据可视化方式，特别适合展示两个变量之间的关系。我们可以使用颜色来表示第三个变量，从而在二维平面上展示三维数据。以下是一个在散点图中使用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
np.random.seed(0)
x = np.random.rand(100)
y = np.random.rand(100)
z = np.sqrt(x**2 + y**2)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
sc1 = ax1.scatter(x, y, c=z, cmap='plasma', s=50)
fig.colorbar(sc1, ax=ax1, label='Distance from origin')
ax1.set_title('Original Plasma Colormap - how2matplotlib.com')
# 反转颜色映射
sc2 = ax2.scatter(x, y, c=z, cmap='plasma_r', s=50)fig.colorbar(sc2, ax=ax2, label='Distance from origin')
ax2.set_title('Reversed Plasma Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
在这个例子中，我们创建了100个随机点，x和y坐标都在0到1之间。我们使用这些点到原点的距离作为第三个变量z。左侧的图使用原始的 ‘plasma’ 颜色映射，而右侧的图使用反转的 ‘plasma_r’ 颜色映射。这种对比可以帮助我们以不同的方式理解数据点的分布和它们与原点的距离关系。
10. 在极坐标图中应用反转颜色映射
极坐标图是一种特殊的图表类型，它使用角度和半径来表示数据点的位置。我们也可以在极坐标图中应用反转颜色映射。以下是一个例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
r = np.linspace(0, 2, 100)
theta = 4 * np.pi * r
z = r**2
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5), subplot_kw=dict(projection='polar'))
# 原始颜色映射
sc1 = ax1.scatter(theta, r, c=z, cmap='autumn')
fig.colorbar(sc1, ax=ax1, label='Z value')
ax1.set_title('Original Autumn Colormap - how2matplotlib.com')
# 反转颜色映射
sc2 = ax2.scatter(theta, r, c=z, cmap='autumn_r')
fig.colorbar(sc2, ax=ax2, label='Z value')
ax2.set_title('Reversed Autumn Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个螺旋形的数据集，其中r表示半径，theta表示角度，z表示颜色值。左侧的图使用原始的 ‘autumn’ 颜色映射，而右侧的图使用反转的 ‘autumn_r’ 颜色映射。这种对比可以帮助我们以不同的方式理解数据在极坐标系中的分布。
11. 在柱状图中使用反转颜色映射
虽然柱状图通常不使用颜色映射，但在某些情况下，我们可能想要根据某个变量来给柱子上色。以下是一个在柱状图中使用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
categories = ['A', 'B', 'C', 'D', 'E']
values = np.random.rand(5)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
bars1 = ax1.bar(categories, values, color=plt.cm.viridis(values))
fig.colorbar(plt.cm.ScalarMappable(cmap='viridis'), ax=ax1, label='Value')
ax1.set_title('Original Viridis Colormap - how2matplotlib.com')
# 反转颜色映射
bars2 = ax2.bar(categories, values, color=plt.cm.viridis_r(values))
fig.colorbar(plt.cm.ScalarMappable(cmap='viridis_r'), ax=ax2, label='Value')
ax2.set_title('Reversed Viridis Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个简单的柱状图，柱子的高度由随机生成的值决定。我们使用这些值来决定柱子的颜色。左侧的图使用原始的 ‘viridis’ 颜色映射，而右侧的图使用反转的 ‘viridis_r’ 颜色映射。这种方法可以帮助我们在柱状图中添加额外的信息维度。
12. 在箱线图中应用反转颜色映射
箱线图通常用于显示数据的分布情况。虽然箱线图本身不常使用颜色映射，但我们可以使用颜色来表示不同的组或类别。以下是一个在箱线图中应用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
np.random.seed(0)
data = [np.random.normal(0, std, 100) for std in range(1, 6)]
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
bplot1 = ax1.boxplot(data, patch_artist=True)
colors = plt.cm.rainbow(np.linspace(0, 1, len(data)))
for patch, color in zip(bplot1['boxes'], colors):
patch.set_facecolor(color)
ax1.set_title('Original Rainbow Colormap - how2matplotlib.com')
# 反转颜色映射
bplot2 = ax2.boxplot(data, patch_artist=True)
colors_r = plt.cm.rainbow_r(np.linspace(0, 1, len(data)))
for patch, color in zip(bplot2['boxes'], colors_r):
patch.set_facecolor(color)
ax2.set_title('Reversed Rainbow Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了5组正态分布的数据，每组的标准差不同。我们使用箱线图来显示这些数据的分布，并使用颜色来区分不同的组。左侧的图使用原始的 ‘rainbow’ 颜色映射，而右侧的图使用反转的 ‘rainbow_r’ 颜色映射。这种方法可以帮助我们更直观地区分不同的数据组。
13. 在密度图中使用反转颜色映射
密度图是一种用于显示连续数据分布的图表类型。我们可以使用颜色映射来表示密度的高低。以下是一个在密度图中使用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats
# 创建数据
x = np.random.multivariate_normal([0, 0], [[1, 0.5], [0.5, 1]], 1000)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
kde1 = stats.gaussian_kde(x.T)
xi, yi = np.mgrid[-3:3:100j, -3:3:100j]
zi = kde1(np.vstack([xi.flatten(), yi.flatten()])).reshape(xi.shape)
im1 = ax1.pcolormesh(xi, yi, zi, cmap='YlOrRd')
fig.colorbar(im1, ax=ax1, label='Density')
ax1.set_title('Original YlOrRd Colormap - how2matplotlib.com')
# 反转颜色映射
im2 = ax2.pcolormesh(xi, yi, zi, cmap='YlOrRd_r')
fig.colorbar(im2, ax=ax2, label='Density')
ax2.set_title('Reversed YlOrRd Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个二维正态分布的数据集，并使用核密度估计（KDE）来计算密度。左侧的图使用原始的 ‘YlOrRd’ 颜色映射，而右侧的图使用反转的 ‘YlOrRd_r’ 颜色映射。这种对比可以帮助我们以不同的方式理解数据的密度分布。
14. 在等高线填充图中应用反转颜色映射
等高线填充图是等高线图的一种变体，它用颜色填充等高线之间的区域。以下是一个在等高线填充图中应用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
cf1 = ax1.contourf(X, Y, Z, cmap='coolwarm', levels=20)
fig.colorbar(cf1, ax=ax1, label='Z value')
ax1.set_title('Original Coolwarm Colormap - how2matplotlib.com')
# 反转颜色映射
cf2 = ax2.contourf(X, Y, Z, cmap='coolwarm_r', levels=20)
fig.colorbar(cf2, ax=ax2, label='Z value')
ax2.set_title('Reversed Coolwarm Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个二维的正弦余弦函数。左侧的图使用原始的 ‘coolwarm’ 颜色映射，而右侧的图使用反转的 ‘coolwarm_r’ 颜色映射。这种对比可以帮助我们以不同的方式理解数据的结构和变化。
15. 在流线图中使用反转颜色映射
流线图用于可视化向量场，通常用于展示流体动力学或电磁场。我们可以使用颜色映射来表示流线的速度或强度。以下是一个在流线图中使用反转颜色映射的例子：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(-2, 2, 20)
y = np.linspace(-2, 2, 20)
X, Y = np.meshgrid(x, y)
U = -Y
V = X
speed = np.sqrt(U**2 + V**2)
# 创建图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 原始颜色映射
strm1 = ax1.streamplot(X, Y, U, V, color=speed, cmap='viridis')
fig.colorbar(strm1.lines, ax=ax1, label='Speed')
ax1.set_title('Original Viridis Colormap - how2matplotlib.com')
# 反转颜色映射
strm2 = ax2.streamplot(X, Y, U, V, color=speed, cmap='viridis_r')
fig.colorbar(strm2.lines, ax=ax2, label='Speed')
ax2.set_title('Reversed Viridis Colormap - how2matplotlib.com')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们创建了一个简单的旋转向量场。左侧的图使用原始的 ‘viridis’ 颜色映射，而右侧的图使用反转的 ‘viridis_r’ 颜色映射。这种对比可以帮助我们以不同的方式理解向量场的结构和强度分布。
结论
通过本文的详细探讨，我们深入了解了 Matplotlib 中颜色映射反转的各种技巧和应用场景。从简单的 ‘_r’ 后缀使用，到自定义颜色映射的创建和反转，我们涵盖了多种方法来实现颜色映射的反转。我们还通过多个实际的例子，展示了如何在不同类型的图表中应用反转的颜色映射，包括热图、3D 图表、等高线图、散点图、极坐标图、柱状图、箱线图、密度图和流线图等。
颜色映射的反转不仅仅是一个视觉上的变化，它还可以帮助我们以不同的角度解释数据，突出不同的数据特征，甚至可能揭示一些原本不易察觉的数据模式。在数据可视化中，选择适当的颜色映射和决定是否需要反转颜色映射，都是非常重要的考虑因素。
通过掌握这些技巧，您可以更灵活地使用 Matplotlib 进行数据可视化，创建更具洞察力和吸引力的图表。记住，没有一种颜色映射或其反转版本是普遍最佳的，最适合的选择往往取决于您的具体数据和可视化目标。因此，建议在实际应用中尝试不同的选项，以找到最能有效传达您的数据故事的方法。