matplotlib---3.基本概念

一、matplotlib、pyplot 、pylab关系

1.matplotlib被划分为不同的层次：

  1. matplotlib.pyplot模块：位于matplotlib的顶层，它是一个state-machine environment。该模块中的很多函数是用于给当前Figure的当前Axes添加plot element，比如line、text、image等。它非常类似于Matlab的用法。
  2. 下一层是面向对象的接口：在这一层pyplot只是用部分函数来创建Figure，然后通过该Figure显式的创建Axes，然后通过面向对象的接口在该Axes上添加图形。极端情况下用户可以完全抛弃pyplot而完全使用面向对象的接口。

对于非交互式绘图，官方文档推荐用pyplot创建Figure，然后使用面向对象接口来绘图。

2.matplotlib的所有plotting function期待输入numpy.array或者numpy.ma.masked_array类型的数据作为输入。某些长得像numpy.array的数据比如numpy.matrix类型的输入数据可能会导致matplotlib工作异常。如果确实需要使用numpy.matrix，你应该首先将它转换为numpy.array

3.matplotlib、pyplot、pylab的关系:

  1. matplotlib：它是整个package
  2. matplotlib.pyplot：是matplotlib的一个module。它为底层的面向对象接口提供了一个state-machine interface。这个state-machine必要的时候隐式创建Figure和Axes，并维护current Figure和current Axes
  3. pylab是一个便利的module，它导入了matplotlib.pyplot以及numpy，它只是为了plot以及math方便而用。官方文档不推荐使用它。

pyplot.gcf()：获取当前的figure对象。pyplot.gca()：获取当前的Axes对象

4.代码风格:官方文档不推荐 MATLAB风格的代码。因为MATLAB风格代码维护了全局状态，你执行同一个plot多次可能会发现结果是不同的。官方文档推荐使用如下风格：

import matplotlib.pyplot as plt
import numpy as np
fig=plt.figure()
ax=fig.add_subplot(111)
ax.plot(...)
ax.show()

二、基本概念

1. backend

1.1 matplotlib可以适用于非常广泛的场景：

  1. matplotlib可以交互式地用于python shell
  2. matplotlib可以嵌入到wxpython或者pygtk等GUI程序中
  3. matplotlib可以在脚本中使用从而生成postscript image

为了适应于这些场景，matplotlib针对这些target生成不同的输出格式。这种能力称之为backend。

与之相对的frontend指的是用户使用matplotlib而编写的代码。

1.2 有两种类型的backend：

  1. 交互式的backend：应用于pygtk、wxpython、tkinter、qt4、macosx等中
  2. 非交互式的backend：用于生成image file（如PNG、SVG、PDF、PS等格式文件，这些backend的名字暗示了要存储的文件的格式）

1.3 有多种方法来设置backend，其中后面提到的方法会覆盖前面的方法设置的backend：

  1. 在matplotlibrc配置文件中设置的backend参数，如backend: WXAgg #使use wxpython with antigrain(agg) rendering
  2. 设置MPLBACKEND环境变量，无论是在shell中设置还是在脚本中设置。
  3. 对单个脚本设置backend时，可以直接在python命令后添加-d命令（这种方法不推荐，deprecated）
  4. 在脚本中使用特定的backend时，可以用matplotlib.use('PDF')命令。这条语句必须在import matplotlib.pyplot语句之前执行。如果在import matplotlib.pyplot之后执行use语句，则没有任何效果。通常建议避免使用use()方法，因为使用该脚本的人无法修改backend了。
  1. 设定backend时，是忽略大小写的。因此GTKAgg也等价于gtkagg
  2. 查看当前的backend可以用：matplotlib.get_backend()

1.4 rendering engine：matplotlib提供的常用的rendering engine是Agg，它采用的是Anti-Grain Geometry C++ library。除了macosx之外的所有user interface都可以用agg rendering，如WXAgg,GTKAgg,QT4Agg,TkAgg这些backend。

某些user interface还支持其他引擎，如GTK支持Cario引擎，如GTKCariro backend。

下面是所有的Rendering engine：

  1. AGG：输出png格式文件。它可以输出高质量的图形
  2. PS：输出ps\eps格式文件。它是Postscript output
  3. PDF：输出pdf格式文件。
  4. SVG：输出svg格式文件
  5. Cairo：可以输出png、ps、pdf、svg...等格式文件
  6. GDK：可以输出png、jpg、tiff...等格式文件，它使用Gimp Drawing Kit

要想保存成指定类型文件，如PDF，那么首先要设置合适的backend。

2. 交互式模式

2.1 使用交互式backend可以plotting to the screen，但是前提是matplotlib必须是interactive mode。

你可以在matplotlibrc配置文件中设置matplotlib是否位于交互模式，也可以通过代码matplotlib.interacite()来设置matplotlib位于交互模式。你可以通过代码matplotlib.is_interactive()来判断代码是否交互模式。通常并不建议在绘图过程中修改交互模式，因此要提前修改交互模式再绘图。

交互模式也可以通过matplotlib.pyplot.ion()开启交互模式，由matplotlib.pyplot.ioff()关闭交互模式。另外交互模式支持ipython和python shell，但是不支持IDLE IDE。

2.2 在交互模式下：

  1. pyplot.plot()绘图之后图表马上显示，pyplot自动绘制到屏幕，不需要调用pyplot.show()
  2. 图表显式之后你可以继续输入命令。任何对图形的修改会实时的反应到图表中去。
  3. 使用面向对象的方法，如Axes的方法并不会自动调用draw_if_interactive()。如果你通过Axes来修改图表，想更新图表的话那么你需要手动调用.draw()方法。而pyplot模块中的函数会主动调用draw_if_interactive(),因此如果你是通过pyplot模块修改图表那么不需要手动调用.draw()方法就是实时绘制。

2.3 在非交互模式下：

  1. 在绘图之后必须手动调用pyplot.show()才能显示图表。该函数会阻塞执行直到你关闭了图表窗口。
  2. 所有的绘制工作会延迟到pyplot.show()函数调用
  3. 在1.0版本以前，单个脚本文件中只能调用一次pyplot.show()，在1.01版本之后该限制被放松。

3. matplotlib的颜色

3.1 可以通过matplotlib.pyplot.colors()方法获取matplotlib支持的所有颜色。该方法不做任何事情，就是提供一个帮助文档。

3.2 matplotlib提供了下面颜色的别名：'b'：蓝色；'g'：绿色；'r'：红色；'y'：黄色；'c'：青色；'k'：黑色；'m'：洋红色；'w'：白色。

3.3 你也可以定制自己的颜色。有两种方法：

  1. 使用HTML十六进制字符串：如'#eeefff'
  2. 使用HTML颜色名字：如'red'
  3. 使用一个归一化到闭区间[0-1]的RGB元组：如color=(0.3,0.3,0.4)

4. matplotlib.cm

matplotlib.cm模块包含了一系列的colormap，以及相关的函数。它主要有两个函数：

4.1 matplotlib.cm.get_cmap(name=None, lut=None)：获取一个colormap实例。其中：

  1. name：指定了colormap的名字。如果为None，则使用rc配置。如果它已经是colormap实例，则直接返回该实例。注意：register_cmap注册的colormap优先查询
  2. lut：一个整数。如果非None，则指定了查询表的number of entries

4.2 matplotlib.cm.register_cmap(name=None, cmap=None, data=None, lut=None)：注册一个colormap。有两种使用方式：

  1. register_cmap(name='swirly', cmap=swirly_cmap)：此时cmap参数必须是matplotlib.colors.Colormap实例。name默认为该Colormap实例的.name属性。
  2. register_cmap(name='choppy', data=choppydata, lut=128)：此时这三个参数传递给matplotlib.colors.LinearSegementedColormap初始化函数。

所有的内置的name如下：

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

你可以使用cm.get_cmap('winter')来使用，也可以直接用cm.winter来使用。

举例：

import numpy as np
import matplotlib.pyplot as plt

gradient = np.linspace(0,1,256)
gradient = np.vstack((gradient,gradient))
gradient[:10,:10]

def plot_color_gradients(cmap_name,cmap_list):
    fig,axes = plt.subplots(nrows=len(cmap_list))
    fig.subplots_adjust(top=0.95,bottom=0.01,left=0.2,right=0.99)
    axes[0].set_title(cmap_name,fontsize=14)
    
    for ax,name in zip(axes,cmap_list):
        ax.imshow(gradient,aspect='auto',cmap=plt.get_cmap(name)) # 对灰度图染色
        pos = list(ax.get_position().bounds)
        x_test = pos[0]-0.01
        y_test = pos[1] + pos[3]/2.
        fig.text(x_test,y_test,name,va="center",ha="right",fontsize=10)
        ax.set_axis_off() # 关闭ticks

%matplotlib inline
name= "Perceptually Uniform Sequential"
color_list = ["viridis","inferno","plasma","magma"]
plot_color_gradients(name,color_list)


%matplotlib inline
name= "Perceptually Uniform Sequential"
color_list = ['Blues', 'BuGn', 'BuPu','GnBu', 'Greens', 'Greys', 'Oranges', 'OrRd',
  'PuBu', 'PuBuGn', 'PuRd', 'Purples', 'RdPu','Reds', 'YlGn', 'YlGnBu', 
  'YlOrBr', 'YlOrRd']
plot_color_gradients(name,color_list)


%matplotlib inline
name= " Sequential(2)"
color_list = ['afmhot', 'autumn', 'bone', 'cool','copper', 'gist_heat', 'gray', 
  'hot','pink', 'spring', 'summer', 'winter']
plot_color_gradients(name,color_list)   


%matplotlib inline
name= " Diverging"
color_list = ['BrBG', 'bwr', 'coolwarm', 'PiYG', 'PRGn', 'PuOr',
  'RdBu', 'RdGy', 'RdYlBu', 'RdYlGn', 'Spectral','seismic']
plot_color_gradients(name,color_list)       


%matplotlib inline
name= " Qualitative"
color_list = ['Accent', 'Dark2', 'Paired', 'Pastel1', 'Pastel2',
  'Set1', 'Set2', 'Set3']
plot_color_gradients(name,color_list)       


%matplotlib inline
name= "Miscellaneous"
color_list = ['gist_earth', 'terrain', 'ocean', 'gist_stern','brg',
  'CMRmap', 'cubehelix','gnuplot', 'gnuplot2',   
  'gist_ncar','nipy_spectral', 'jet', 'rainbow',
  'gist_rainbow', 'hsv', 'flag', 'prism']
plot_color_gradients(name,color_list)

5. matplotlib.colors

5.1 matplotlib.colors是一个模块，用于转换数字或者颜色参数到 RGB 或者RGBA

  1. RGB：一个浮点数元组，有3个浮点数。每个数都是 0-1之间
  2. RGBA：一个浮点数元组，有4个浮点数。每个数都是 0-1之间

5.2 colors.cnames是个字典，它给出了常用颜色的字符串和对应的#FFFFFF形式。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as cols

list(cols.cnames.items())[:5]
[('aliceblue', '#F0F8FF'),
 ('antiquewhite', '#FAEBD7'),
 ('aqua', '#00FFFF'),
 ('aquamarine', '#7FFFD4'),
 ('azure', '#F0FFFF')]

5.3 colors.rgb2hex(rgb)函数：给出了rgb元组到#FFFFFF形式。 而hex2color(s)给出了#FFFFFF到rgb形式。 

cols.rgb2hex((0,0.5,1)) # '#0080ff'

cols.hex2color((0,0.5,1)) # (0.0, 0.5, 1.0)

5.4 colors.ColorConverter类是个颜色转换器类。它提供了下面方法用于转换颜色：

  1. .to_rgb(arg)：转换其他类型的颜色到标准的rgb三元组。其中arg可以为一个rgb/rgba序列，或者一个字符串，字符串格式为：

    1. 一个代表颜色的字符，如'rgbcmykw'
    2. 一个十六进制的颜色字符串，如'#0FFFFFF'
    3. 一个标准的颜色的名字，如'red'
    4. 一个代表浮点数的字符串，如'0.5'

  2. .to_rgba(arg, alpha=None)：转换其他类型的颜色到标准的rgba四元组

  3. to_rgba_array(c, alpha=None)：它返回一个ndarray，而不是一个元组

colors.colorConverter是模块提供的一个默认的实例。 

cols.colorConverter.to_rgb("r") # (1.0, 0.0, 0.0)

cols.colorConverter.to_rgb("0.5") # (0.5, 0.5, 0.5)

cols.colorConverter.to_rgb([0.5,0.5,0.3]) # (0.5, 0.5, 0.3)

cols.colorConverter.to_rgba_array('0.3') # array([[0.3, 0.3, 0.3, 1. ]])

5.5 colors.Colormap是所有colormap的基类。colormap用于将[0,1]之间的浮点数转换为RGBA颜色。

它是一个颜色条，浮点数对应了颜色条的位置（归一化为0.0~1.0），RGBA颜色对应了指定颜色条某个位置处的颜色。

其属性有：

  1. name：colormap名字
  2. N：一个整数，表示rgb颜色层级，默认为256级

常用方法有：

  1. __call__(self, X, alpha=None, bytes=False)：颜色转换。

    1. X为一个标量或者ndarray，给出了待转换的数据。如果是浮点数，则必须是[0.0,1.0]之间。如果是整数，则必须是[0,self.N)之间。如果是标量，则返回rgba四元组。如果是ndarray，则返回一个ndarray，相当于对每个元素进行标量转换，然后组装成ndarray
    2. alpha：一个浮点数，给出了透明度。必须是0到1之间
    3. bytes：一个布尔值。如果为True，则返回的结果是[0,255]之间。否则是[0.0,1.0]之间

5.6 colors.LinearSegmentColormap(Colormap)：是Colormap的子类。

  1. 额外的属性： ._gamma/._segmentdata

  2. 它的构造函数为：__init__(self, name, segmentdata, N=256, gamma=1.0)。其中segmentdata是一个字典，字典的键分别为'red'/'green'/'blue'，字典的值为一个列表，列表元素为三元组(alpha被忽略）。如：

 {'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)]}
  • 每一行代表了元组(x,y0,y1)。其中red/green/blue中，每一列x必须从0递增到1；y0/y1也是如此。对于任何落到x[i]~x[i+1]之间的值z，其映射的颜色由y1[i]和y0[i+1]插值决定。
  • 类方法 from_list(name, colors, N=256, gamma=1.0):从一个颜色序列中构造LinearSegmentColormap。其中colors是一个颜色序列，matplotlib会将颜色均匀分布，val=0处对应colors[0]，val=1处对应colors[-1]。你也可以传递一个(value,color)元组的序列，其中value指定了对应位置处的color，其中value位于[0.0,1.0]

举例：

gradient = np.linspace(0,1,256)
gradient = np.vstack((gradient,gradient)) # 生成一个256阶灰度图
print(gradient[:10,:10])

def plot_color_gradients(colormap):
    fig = plt.figure()
    ax = fig.add_subplot(1,1,1)
    ax.set_title(colormap.name,fontsize=14)
    ax.imshow(gradient,aspect='auto',cmap = colormap) # 对灰度图染色
    ax.set_axis_off() # 关闭ticks

from matplotlib import cm
color_buildin = cm.get_cmap('winter') # 内建的colormap

color_buildin.name,color_buildin.N # Colormap的属性，('winter', 256)

color_buildin(0.5),color_buildin(np.linspace(0,0.5,5)) # 在颜色条上取点
((0.0, 0.5019607843137255, 0.7490196078431373, 1.0),
 array([[0.        , 0.        , 1.        , 1.        ],
        [0.        , 0.1254902 , 0.9372549 , 1.        ],
        [0.        , 0.25098039, 0.8745098 , 1.        ],
        [0.        , 0.37647059, 0.81176471, 1.        ],
        [0.        , 0.50196078, 0.74901961, 1.        ]]))

color_buildin._gamma,color_buildin._segmentdata
(1.0,
 {'red': ((0.0, 0.0, 0.0), (1.0, 0.0, 0.0)),
  'green': ((0.0, 0.0, 0.0), (1.0, 1.0, 1.0)),
  'blue': ((0.0, 1.0, 1.0), (1.0, 0.5, 0.5))})

my_color = cols.LinearSegmentedColormap.from_list('my_color',colors=[(0.0,'r'),(0.3,'y'),(1.0,'c')])
my_color._segmentdata
{'red': [(0.0, 1.0, 1.0), (0.3, 0.75, 0.75), (1.0, 0.0, 0.0)],
 'green': [(0.0, 0.0, 0.0), (0.3, 0.75, 0.75), (1.0, 0.75, 0.75)],
 'blue': [(0.0, 0.0, 0.0), (0.3, 0.0, 0.0), (1.0, 0.75, 0.75)],
 'alpha': [(0.0, 1, 1), (0.3, 1, 1), (1.0, 1, 1)]}
%matplotlib inline
plot_color_gradients(color_buildin) # 内建的颜色

 

%matplotlib inline
plot_color_gradients(my_color) # 自定义的颜色

5.7 colors.ListedColormap(Colormap)是Colormap的子类。它用于从一个list of colors中创建colormap。

  1. 构造方法为：__init__(self, colors, name=’from_list’, N=None)。其中color是一个颜色列表。或者为一个浮点数ndarray，其形状为Nx3或者Nx4。N为colormap的条目数，如果N <len(colors)，则截断colors。如果N > len(colors)，则重复colors到指定长度。

举例：

list_color = cols.ListedColormap(colors=['r','g','y','k','c'])
list_color # <matplotlib.colors.ListedColormap at 0x17c02bd6940>

%matplotlib inline
plot_color_gradients(list_color) # 自定义的颜色　

5.8  colors.Normalize：是归一化类。它用于将数据归一化到[0.0,1.0]

  1. 构造方法为： __init__(self, vmin=None, vmax=None, clip=False)。如果未提供vmin/vmax，则使用数据的最小值和最大值。如果clip=True，则落在vmin~vmax之外的数据被截断为0或者1。如果vmin==vmax，则始终返回 0
  2. 属性有： .vmin/.vmax/.clip
  3. 类方法为： process_value(value)：调整value的格式，从而方便后续的操作
  4. 实例方法： __call__(self, value, clip=None)：归一化处理
  5. 实例方法： inverse(self, value)：逆归一化处理

举例：

gradient = np.linspace(10,100,256)
gradient[:10]
# array([10.        , 10.35294118, 10.70588235, 11.05882353, 11.41176471,
       11.76470588, 12.11764706, 12.47058824, 12.82352941, 13.17647059])

norm = cols.Normalize()
gradient2 = norm(gradient)
(gradient2<=1.0).all()
# True

np.isclose(gradient,norm.inverse(gradient2)).all()
# True

5.9 colors.LogNorm类是Normalize的子类，它使用对数来归一化

5.10 colors.rgb_to_hsv(arr)：将rgb形式的浮点数数组转换为hsv格式的浮点数组。而hsv_to_rgb(hsv)执行的是逆向操作。

6. matplotlib.colorbar

6.1 matplotlib.colorbar模块包含了创建colorbar的一些方法和类。

  1. ColorbarBase：绘制colorbar的基类
  2. Colorbar：用于imges/contour等的colorbar类
  3. make_axes()：用于调整Axes并向其中添加一个colorbar

6.2 matplotlib.colorbar.Colorbar(ax, mappable, **kw)：Colorbar类。通常没必要显式调用构造函数，而应该调用下面两个方式：

  1. Figure.colorbar(mappable, cax=None, ax=None, use_gridspec=True, **kw)
  2. pyplot.colorbar(mappable=None, cax=None, ax=None, **kw)

参数：

  1. mappable：为Image/ContourSet对象。它是你将要应用colorbar的对象
  2. cax：它指定了你将在哪个Axes内绘制colorbar
  3. ax：你的新的colorbar Axes从该ax中拿到绘制空间。
  4. use_gridspec：一个布尔值。如果cax=None，则如果use_gridspec=True，则创建一个Subplot对象。如果为False，则创建一个Axes对象。

额外的参数参与设置两个对象：

  1. axes对象：

    1. orientation ：设置为垂直'vertical'还是水平'horizontal'
    2. fraction ：一个浮点数，指定从原始的Axes中窃取多少倍的空间来绘制colorbar 。默认为 0.15
    3. pad ：0.05 if vertical, 0.15 if horizontal; 一个浮点数，指定两个Axes的间距
    4. shrink ： 指定colorbar的伸缩比。默认为 1.0
    5. aspect ：指定colorbar的长宽比。默认为 20

  2. colorbar对象：

    1. extend：一个字符串。可以为'neither'/'both'/'min'/'max'。如果不是'neither'，则它会在colorbar对应端添加箭头（如果extendrect=False）
    2. extendfrac：colorbar指示超出部分的箭头的长度。
    3. extendrect：一个布尔值。如果为True，则超出部分不用箭头。
    4. drawedges：一个布尔值，如果为True，则绘制colorbar的边。
    5. ticks：给出你要显示哪些tick
    6. format：指定格式化方式。可以为格式化字符串如%.3f，或者Formatter对象。

举例：

%matplotlib inline
fig = plt.figure(figsize=(12,10))
ax = fig.add_subplot(4,2,1)
plt.colorbar(plot_img(ax,'default'),ax=ax)#default

ax = fig.add_subplot(4,2,2)
plt.colorbar(plot_img(ax,'fraction/pad/aspect'),ax=ax,fraction=0.3,pad=0.1,aspect=10) # set axes

ax = fig.add_subplot(4,2,3)
plt.colorbar(plot_img(ax,'shrink'),ax=ax,shrink=2) # shrink

ax = fig.add_subplot(4,2,4)
plt.colorbar(plot_img(ax,'extend'),ax=ax,extend='both') # extend

ax = fig.add_subplot(4,2,5)
plt.colorbar(plot_img(ax,'extendfrac'),ax=ax,extend='both',extendfrac=0.3) # extendfrac

ax = fig.add_subplot(4,2,6)
plt.colorbar(plot_img(ax,'extendrect'),ax=ax,extend='both',extendrect=True) # extendrect

fig.subplots_adjust(top=0.95,bottom=0.01,left=0.2,right=0.99,wspace=0.2)

 

 

 

参考文献：

【1】https://matplotlib.org/tutorials/colors/colormaps.html#sphx-glr-tutorials-colors-colormaps-py

【2】https://matplotlib.org/tutorials/colors/colormap-manipulation.html#sphx-glr-tutorials-colors-colormap-manipulation-py

【3】https://matplotlib.org/tutorials/colors/colormapnorms.html#sphx-glr-tutorials-colors-colormapnorms-py

posted @ 2019-12-25 21:37  nxf_rabbit75  阅读(1221)  评论(0)  编辑  收藏  举报