介绍
在数据可视化中，颜色图用于通过颜色来表示数值数据。然而，有时数据分布可能是非线性的，这使得难以辨别数据的细节。在这种情况下，颜色图标准化可用于以非线性方式将颜色图映射到数据上，以帮助更准确地可视化数据。 matplotlib 提供了多种标准化方法，包括 symlognorm 和 asinhnorm，可用于标准化颜色图。本实验将演示如何使用 symlognorm 和 asinhnorm 将颜色图映射到非线性数据。
虚拟机提示
虚拟机启动完成后，点击左上角切换到notebook选项卡，访问jupyter notebook进行练习。
有时，您可能需要等待几秒钟 jupyter notebook 才能完成加载。由于 jupyter notebook 的限制，操作验证无法自动化。
如果您在学习过程中遇到问题，请随时询问labby。会后反馈，我们会及时为您解决问题。
导入所需的库
在这一步中，我们将导入必要的库，包括 matplotlib、numpy 和 matplotlib 颜色。
import matplotlib.pyplot as plt import numpy as np import matplotlib.colors as colors
创建综合数据
在此步骤中，我们将创建一个由两个驼峰组成的合成数据集，一个负驼峰，一个正驼峰，其中正驼峰的幅度是负驼峰的八倍。然后我们将应用 symlognorm 来可视化数据。
def rbf(x, y):
return 1.0 / (1 + 5 * ((x ** 2) + (y ** 2)))
n = 200
gain = 8
x, y = np.mgrid[-3:3:complex(0, n), -2:2:complex(0, n)]
z1 = rbf(x + 0.5, y + 0.5)
z2 = rbf(x - 0.5, y - 0.5)
z = gain * z1 - z2
shadeopts = {'cmap': 'prgn', 'shading': 'gouraud'}
colormap = 'prgn'
lnrwidth = 0.5
应用 symlognorm
在此步骤中，我们将 symlognorm 应用于合成数据并可视化结果。
fig, ax = plt.subplots(2, 1, sharex=true, sharey=true)
pcm = ax[0].pcolormesh(x, y, z,
norm=colors.symlognorm(linthresh=lnrwidth, linscale=1,
vmin=-gain, vmax=gain, base=10),
**shadeopts)
fig.colorbar(pcm, ax=ax[0], extend='both')
ax[0].text(-2.5, 1.5, 'symlog')
pcm = ax[1].pcolormesh(x, y, z, vmin=-gain, vmax=gain,
**shadeopts)
fig.colorbar(pcm, ax=ax[1], extend='both')
ax[1].text(-2.5, 1.5, 'linear')
plt.show()
应用asinhnorm
在此步骤中，我们将 asinhnorm 应用于合成数据并可视化结果。
fig, ax = plt.subplots(2, 1, sharex=True, sharey=True)
pcm = ax[0].pcolormesh(X, Y, Z,
norm=colors.SymLogNorm(linthresh=lnrwidth, linscale=1,
vmin=-gain, vmax=gain, base=10),
**shadeopts)
fig.colorbar(pcm, ax=ax[0], extend='both')
ax[0].text(-2.5, 1.5, 'symlog')
pcm = ax[1].pcolormesh(X, Y, Z,
norm=colors.AsinhNorm(linear_width=lnrwidth,
vmin=-gain, vmax=gain),
**shadeopts)
fig.colorbar(pcm, ax=ax[1], extend='both')
ax[1].text(-2.5, 1.5, 'asinh')
plt.show()
概括
在本实验中，我们学习了如何使用 symlognorm 和 asinhnorm 将颜色图映射到非线性数据。通过应用这些标准化方法，我们可以更准确地可视化数据并更容易地辨别数据的细节。
? 立即练习：matplotlib 颜色图标准化
想了解更多吗？
- ? 学习最新的python技能树
- ? 阅读更多 python 教程
- ? 加入我们的 discord 或发推文@wearelabex
