Python中的 Matplotlib.colors.LinearSegmentedColormap 类

Matplotlib是Python中用于数组二维图的惊人可视化库。 Matplotlib 是一个基于 NumPy 数组构建的多平台数据可视化库，旨在与更广泛的 SciPy 堆栈配合使用。

matplotlib.colors.LinearSegmentedColarmap

matplotlib.colors.LinearSegmentedColarmap类属于matplotlib.colors模块。 matplotlib.colors 模块用于将颜色或数字参数转换为 RGBA 或 RGB。该模块用于将数字映射到颜色或在一维颜色数组（也称为颜色图）中进行颜色规范转换。
matplotlib.colors.LinearSegmentedColormap 类用于在线性段的帮助下基于查找表对对象进行颜色映射。查找表是通过线性插值对每种原色生成的，因为 0-1 域将其划分为任意数量的段。它还可用于从线性映射段创建颜色映射。以片段数据名称命名的字典带有红色、蓝色和绿色条目。每个条目都需要是 x、y0、y1 元组的列表，从而创建表的行。重要的是要注意 alpha 条目是可选的。
例如，假设您希望红色从 0 增加到 1，绿色做同样的事情，但在中半部分，蓝色在上半部分。然后您将使用以下字典：

seg_data_dict = 
{‘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)]}
 

表中给定颜色的每一行都是元组 x、y0、y1 的序列。在每个序列中，x 必须从 0 到 1 单调递增。对于落在 x[i] 和 x[i+1] 之间的所有输入值 z，给定颜色的线性插值输出值介于 y1[i] 和 y0[我+1]：

row i: x y0 y1 
row i+1: x y0 y1 
 

因此，永远不会使用第一行中的 y0 和最后一行中的 y1。
类的方法：

1. static from_list(name, colors, N=256, gamma=1.0)：此方法用于创建一个线性分段颜色图，其名称来自一系列颜色，这些颜色从 val=0 的颜色 [0] 均匀移动到颜色 [-1 ] 在 val = 1。 N 表示 rgb 量化级别的数量。此外，元组列表（值，颜色）可以在范围内不均匀地创建划分。
   
2. reversed(self, name=None)：用于制作颜色图的反转实例。
   参数：
   • name：它是一个可选参数，以字符串的形式接受反转颜色图的名称。如果为 None，则名称设置为父颜色图的名称 +“r”。
     返回：此方法返回一个反转的颜色图。
     
3. set_gamma(self, gamma)：用于通过设置新的 gamma 值来重新生成颜色图
   

示例 1：

Python3

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
 
# some dummy data
a = np.arange(0, np.pi, 0.1)
b = np.arange(0, 2 * np.pi, 0.1)
A, B = np.meshgrid(a, b)
X = np.cos(A) * np.sin(B) * 10
 
# custom segmented color dictionary
 
cdict1 = {'red':   ((0.0, 0.0, 0.0),
                   (0.5, 0.0, 0.1),
                   (1.0, 1.0, 1.0)),
 
         'green': ((0.0, 0.0, 0.0),
                   (1.0, 0.0, 0.0)),
 
         'blue':  ((0.0, 0.0, 1.0),
                   (0.5, 0.1, 0.0),
                   (1.0, 0.0, 0.0))
        }
 
cdict2 = {'red':   ((0.0, 0.0, 0.0),
                   (0.5, 0.0, 1.0),
                   (1.0, 0.1, 1.0)),
 
         'green': ((0.0, 0.0, 0.0),
                   (1.0, 0.0, 0.0)),
 
         'blue':  ((0.0, 0.0, 0.1),
                   (0.5, 1.0, 0.0),
                   (1.0, 0.0, 0.0))
        }
 
cdict3 = {'red':  ((0.0, 0.0, 0.0),
                   (0.25, 0.0, 0.0),
                   (0.5, 0.8, 1.0),
                   (0.75, 1.0, 1.0),
                   (1.0, 0.4, 1.0)),
 
         'green': ((0.0, 0.0, 0.0),
                   (0.25, 0.0, 0.0),
                   (0.5, 0.9, 0.9),
                   (0.75, 0.0, 0.0),
                   (1.0, 0.0, 0.0)),
 
         'blue':  ((0.0, 0.0, 0.4),
                   (0.25, 1.0, 1.0),
                   (0.5, 1.0, 0.8),
                   (0.75, 0.0, 0.0),
                   (1.0, 0.0, 0.0))
        }
 
# Creating a modified version of cdict3
# with some transparency
# in the center of the range.
cdict4 = {**cdict3,
          'alpha': ((0.0, 1.0, 1.0),
                #   (0.25, 1.0, 1.0),
                    (0.5, 0.3, 0.3),
                #   (0.75, 1.0, 1.0),
                    (1.0, 1.0, 1.0)),
          }
blue_red1 = LinearSegmentedColormap('BlueRed1',
                                    cdict1)
blue_red2 = LinearSegmentedColormap('BlueRed2',
                                    cdict2)
plt.register_cmap(cmap = blue_red2)
 
# optional lut kwarg
plt.register_cmap(name ='BlueRed3',
                  data = cdict3)
plt.register_cmap(name ='BlueRedAlpha',
                  data = cdict4)
figure, axes = plt.subplots(2, 2,
                            figsize =(6, 9))
 
figure.subplots_adjust(left = 0.02,
                       bottom = 0.06,
                       right = 0.95,
                       top = 0.94,
                       wspace = 0.05)
 
# Making 4 different subplots:
img1 = axes[0, 0].imshow(X,
                         interpolation ='nearest',
                         cmap = blue_red1)
 
figure.colorbar(img1, ax = axes[0, 0])
 
cmap = plt.get_cmap('BlueRed2')
img2 = axes[1, 0].imshow(X,
                         interpolation ='nearest',
                         cmap = cmap)
 
figure.colorbar(img2, ax = axes[1, 0])
 
# set the third cmap as the default.
plt.rcParams['image.cmap'] = 'BlueRed3'
 
img3 = axes[0, 1].imshow(X,
                         interpolation ='nearest')
figure.colorbar(img3, ax = axes[0, 1])
axes[0, 1].set_title("1st Alpha")
 
# Draw a line with low zorder to
# keep it behind the image.
axes[1, 1].plot([0, 10 * np.pi],
                [0, 20 * np.pi],
                color ='c',
                lw = 19,
                zorder =-1)
 
img4 = axes[1, 1].imshow(X,
                         interpolation ='nearest')
figure.colorbar(img4, ax = axes[1, 1])
 
# Here it is: changing the colormap
# for the current image and its
# colorbar after they have been plotted.
img4.set_cmap('BlueRedAlpha')
axes[1, 1].set_title("Variation in alpha")
 
figure.subplots_adjust(top = 0.8)
 
plt.show()

输出：

示例 2：

Python3

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
 
# Make some illustrative fake data:
a = np.arange(0, np.pi, 0.1)
b = np.arange(0, 2 * np.pi, 0.1)
A, B = np.meshgrid(a, b)
X = np.cos(A) * np.sin(B) * 10
 
# colormap froma list
# R -> G -> B
list_colors = [(1, 0, 0),
               (0, 1, 0),
               (0, 0, 1)] 
 
 
# Discretizes the interpolation
# into bins
all_bins = [3, 6, 10, 100]
cmap_name = 'my_list'
figure, axes = plt.subplots(2, 2,
                            figsize =(6, 9))
 
figure.subplots_adjust(left = 0.02,
                       bottom = 0.06,
                       right = 0.95,
                       top = 0.94,
                       wspace = 0.05)
 
for all_bin, ax in zip(all_bins, axes.ravel()):
     
    # Making the the colormap
    cm = LinearSegmentedColormap.from_list(
        cmap_name,
        list_colors,
        N = all_bin)
     
    im = ax.imshow(X, interpolation ='nearest',
                   origin ='lower', cmap = cm)
     
    ax.set_title("bin: % s" % all_bin)
    fig.colorbar(im, ax = ax)

输出：