一图胜千言，使用Python的matplotlib库，可以快速创建高质量的图形。
我们团队推出一个新的系列教程：Python数据可视化，针对初级和中级用户，将理论和示例代码相结合，分别使用matplotlib, seaborn, plotly等工具实现可视化。
本文主题是如何在Matplotlib中使用自定义颜色和colormap。
import osimport requestsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mpl%matplotlib inline
plt.style.use("ggplot")1234567891011Matplotlib绘图接口通常包含’color’参数，用于指定颜色，参数接受的数据格式包括：
表示颜色的英文单词，如’red’, 'green’, 'blue’等
RGB或者RGBA元组，RGBA是(red, blue, green, alpha)的缩小，用包含四个浮点值的数组代表颜色，每个数字的取值范围是[0, 1][0,1]
十六进制RGB或RGBA字符串
表示灰度的浮点值字符串，取值范围[0，1][0，1]，例如’0.5’
'bgrcmykw’字符集的其中一个字符，每个字符均表示一种颜色：'b’:蓝色，'g’:绿色，'r’:红色, 'c’:青色, 'm’:洋红色, 'y’:黄色, 'k’:黑色,'w’:白色
X11/CSS4颜色名称
xkcd颜色调查中的名称，以’xkcd：'开头（例如，'xkcd：sky blue’；不区分大小写）
“T10”分类调色板中的Tableau颜色之一（默认颜色周期）：{'tab：blue’，'tab：orange’，'tab：green’，'tab：red’，'tab：purple’， 'tab：brown’，'tab：pink’，'tab：gray’，'tab：olive’，'tab：cyan’}
对Python开发人员而言，前两种方式应该是最常用的。
查看Matplotlib支持的全部颜色名称：查阅官方文档。
看一个简单的例子，分别创建曲线图，柱状图，散点图，通过参数’color’指定颜色。
fig, ax = plt.subplots(nrows=3, ncols=2, figsize=(12, 12))ax = ax.flatten()# 曲线图x = np.linspace(0, 10, 50)y = np.sin(x)ax[0].plot(x, y)ax[0].set_title("Line plot: Default color")ax[1].plot(x, y, color="blue")ax[1].set_title("Line plot: Custom color")# 柱状图x = ["a", "b", "c", "d", "e", "f"]y = [1.2, 0.8, 2.5, 0.95, 1.35, 1.58]ax[2].bar(x, y)ax[2].set_title("Bar plot: Default color")ax[3].bar(x, y, color="purple")ax[3].set_title("Bar plot: Custom color")# 散点图x = np.linspace(0, 3, 50)y = 10 + 2.5 * x + np.random.uniform(2, 10, 50)ax[4].scatter(x, y)ax[4].set_title("Scatter plot: Default color")ax[5].scatter(x, y, c="black")ax[5].set_title("Scatter plot: Custom color")1234567891011121314151617181920212223242526
'color’既可以设置统一的颜色，也可以单独设置每个元素(每条曲线/每根柱子/每个点)的颜色，这时候需要提供一个表示颜色的数组。
# 以柱状图为例x = ["a", "b", "c", "d", "e", "f"]y = [1.2, 0.8, 2.5, 0.95, 1.35, 1.58]# 表示颜色的数组，这里用字符串表示颜色，也可以使用其它数据格式，如RGB或RGBA元组colors = ["red", "blue", "yellow", "gray", "green", "purple"]fig, ax = plt.subplots(figsize=(10, 7))ax.bar(x, y, color=colors)ax.set_title("Different colors for each bar")12345678910有时候需要按照某个逻辑条件使用不同的颜色。例如一幅表示不同资产收益率的柱状图，当收益率为正时，柱子颜色设置为绿色，当收益率为负时，柱子颜色为红色。这样做的好处在于突出重点和差异。
实现方法跟上面的例子相似，先根据逻辑条件创建一个颜色数组，然后传递给’color’参数。这时候numpy.where()非常有用。
x = ["a", "b", "c", "d", "e", "f", "g", "h", "i", "j", "k", "l"]y = [1.2, 1.5, -0.5, -0.85, 0.58, -0.35, 1.55, 1.05, -1.2, 0.45, 0.58, 0.25]# y > 0, 柱子颜色为绿色，y < 0, 柱子颜色为红色# 使用np.where()快速实现向量化判断colors = np.where(np.array(y) > 0, "green", "red")fig, ax = plt.subplots(figsize=(10, 7))ax.bar(x, y, color=colors)ax.set_title("Green bar for positive, Red bar for negative")12345678910调色板(colormap)是一组颜色的集合。Matplotlib提供了很多内置调色板，通过mpl.cm.get_cmap()获取。
想象一下，如果要为100个元素生成不同的颜色，就要准备包含100种颜色的颜色列表，自定义颜色会非常耗费时间，这时候调色板就能解决问题。
合理利用调色板，可以快速按照需求生成颜色列表。
Matplotlib提供了很多内置调色板，通过mpl.cm.get_cmap()获取，提供两个参数，第一个是调色板的名称，另外一个是颜色列表的长度。
# 获取名为'viridis'的调色板，颜色列表长度为8，即包含8种颜色cmap = mpl.cm.get_cmap("viridis", 8)# type(cmap)123colormap对象可以理解为一个N*4N∗4的二维表格，N是颜色列表的长度，每一行都是一个(R, G, B, A)元组，元组中每个元素都是取值[0, 1][0,1]的数字。
颜色列表存储在colormap.colors属性中。
cmap.colors1
array([[0.267004, 0.004874, 0.329415, 1. ], [0.275191, 0.194905, 0.496005, 1. ], [0.212395, 0.359683, 0.55171 , 1. ], [0.153364, 0.497 , 0.557724, 1. ], [0.122312, 0.633153, 0.530398, 1. ], [0.288921, 0.758394, 0.428426, 1. ], [0.626579, 0.854645, 0.223353, 1. ], [0.993248, 0.906157, 0.143936, 1. ]])12345678
注意并非每一个colormap对象都有colors属性，当colormap是ListedColormap类型，有colors属性，当colormap是ListedSegmentedColormap类型时没有colors属性。
获取颜色列表的另一种方法是“索引”。
# 提供一个数组，长度跟颜色列表长度相同print(cmap(range(8))) # [0, 1, 2, ... 7]print(cmap(np.linspace(0, 1, 8))) # [0, 0.1428, 0.2857, ..., 1.0]123
[[0.267004 0.004874 0.329415 1. ] [0.275191 0.194905 0.496005 1. ] [0.212395 0.359683 0.55171 1. ] [0.153364 0.497 0.557724 1. ] [0.122312 0.633153 0.530398 1. ] [0.288921 0.758394 0.428426 1. ] [0.626579 0.854645 0.223353 1. ] [0.993248 0.906157 0.143936 1. ]] [[0.267004 0.004874 0.329415 1. ] [0.275191 0.194905 0.496005 1. ] [0.212395 0.359683 0.55171 1. ] [0.153364 0.497 0.557724 1. ] [0.122312 0.633153 0.530398 1. ] [0.288921 0.758394 0.428426 1. ] [0.626579 0.854645 0.223353 1. ] [0.993248 0.906157 0.143936 1. ]]12345678910111213141516
从上面代码示例看出，colormap是可调用对象，传递一个[0, 1][0,1]的浮点值可以从颜色列表中获取一个(R,G,B,A)元组。
为什么任意浮点值可以获取颜色？因为colormap会使用“最近邻插值法”从颜色列表中进行推断，生成一个新的RGBA元组。
cmap(0.3)1
(0.212395, 0.359683, 0.55171, 1.0)1
之前创建柱状图，自定义了一个颜色列表，现在我们用colormap直接生成一个颜色列表。
x = ["a", "b", "c", "d", "e", "f", "g", "h", "i", "j", "k", "l"]y = [1.2, 1.5, -0.5, -0.85, 0.58, -0.35, 1.55, 1.05, -1.2, 0.45, 0.58, 0.25]# 尝试四种不同的调色板，分别生成颜色列表cmap_names = ["viridis", "RdBu", "Set1", "jet"]fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(12, 12))ax = ax.flatten()for i, name in enumerate(cmap_names):
# 创建colormap对象，颜色列表长度和柱子的数量相同
cmap = mpl.cm.get_cmap(name, len(x))
# 从调色板中获取颜色列表
colors = cmap(np.linspace(0, 1, len(x)))
# 每根柱子赋予不同的颜色
ax[i].bar(x, y, color=colors)
ax[i].set_title(f"Colormap: {name}")1234567891011121314151617我们已经学习了如何创建colormap对象，以及如何获取颜色。接下来要考虑的问题是：
Matplotlib提供了哪些内置colormap？
如何选择colormap？
Matplotlib提供3种类型的colormap：
顺序（Sequential）：独特颜色的一种变体，用于从低到高变化的定量数据。
发散（Divergence）：从一种颜色到另一种颜色的变化，用于突出显示与均值的偏差。
定性（Qualitative）：颜色快速变化，主要用于离散或分类数据。
从分类可以看出，选择哪种调色板取决于数据类型。
要查看全部调色板，请查阅官方文档。
def plot_colormap(cmap_name): fig, ax = plt.subplots(figsize=(6, 2)) cmap = mpl.cm.get_cmap(cmap_name) colors = cmap(np.linspace(0, 1, cmap.N)) ax.imshow([colors], extent=[0, 10, 0, 1]) ax.set_xticks([]) ax.set_yticks([]) ax.set_title(cmap_name)12345678
顺序调色板, 如’binary’, 'viridis’，用于显示从低到高变化的定量数据。
plot_colormap("viridis")1发散调色板，如’RdBu’,'PuOr’，一种颜色到另一种颜色的快速变化，用于突出数据与均值的偏差。
plot_colormap("RdBu")1定性调色板, 如’rainbow’, 'jet’，在几种颜色之间快速变化，用于显示定性/分类数据。
plot_colormap("rainbow")1有时候我们想把数值映射为颜色，简单来说就是数值大小和颜色亮度等比例变化。
回顾上面的例子，当我们创建柱状图并赋予每根柱子不同的颜色时，是按照顺序从调色板中获取颜色的，颜色的亮度与数值大小并没有关联，现在我们更进一步，根据数值大小生成对应的颜色，这样可以获得更好的可视化效果。
步骤如下：
将数值变量缩放到[0, 1][0,1]
创建调色板对象(colormap)
从调色板中获取颜色
def num2color(values, cmap):
"""将数值映射为颜色"""
norm = mpl.colors.Normalize(vmin=np.min(values), vmax=np.max(values))
cmap = mpl.cm.get_cmap(cmap)
return [cmap(norm(val)) for val in values]x = ["a", "b", "c", "d", "e", "f", "g", "h", "i", "j", "k", "l"]y = np.arange(6, -6, -1)colors = num2color(y, "RdBu")fig, ax = plt.subplots(figsize=(10, 7))ax.bar(x, y, color=colors)ax.set_title("Barplot: Map numeric data to colors")123456789101112131415这个映射过程有点麻烦，部分Matplotlib的绘图接口可以自动完成这个过程。
以散点图为例，ax.scatter()的两个参数’c’, 'cmap’，分别控制要映射的数值，以及使用的调色板。
from sklearn.datasets import load_iris# 使用IRIS数据集做说明iris = load_iris()iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)# print(iris_df.head())fig, ax = plt.subplots(figsize=(10, 7))ax.scatter(
x=iris_df["petal length (cm)"],
y=iris_df["petal width (cm)"],
c=iris_df["petal length (cm)"], # 将petal length映射为颜色
cmap="Blues" # 选择调色板，可以提供字符串，也可以提供colormap对象实例)ax.set_title("Scatter: Map numeric data to colors")123456789101112131415本文介绍了如何在Matplotlib中使用颜色，包含自定义颜色和调色板(colormap)的使用方法。在数据可视化中，正确使用颜色不仅能够使图表更加美观，而且有助于利用视觉效果传达核心信息。
联系客服
