메모
전체 예제 코드를 다운로드 하려면 여기 를 클릭 하십시오.
Matplotlib에서 컬러맵 선택 #
Matplotlib에는
matplotlib.colormaps. Matplotlib 설명서의 Third-party colormaps 섹션 에서 볼 수 있는 많은 추가 색상표가 있는 외부 라이브러리도 있습니다
. 여기서는 여러 옵션 중에서 선택하는 방법에 대해 간략하게 설명합니다. 고유한 컬러맵 생성에 대한 도움말은
Matplotlib에서 컬러맵 생성 을 참조하십시오 .
개요 #
좋은 컬러맵을 선택하는 이유는 데이터 세트에 대한 3D 색상 공간에서 좋은 표현을 찾는 것입니다. 주어진 데이터 세트에 대한 최상의 컬러맵은 다음을 비롯한 많은 요소에 따라 달라집니다.
양식 또는 메트릭 데이터를 나타내는지 여부( [Ware] )
데이터 세트에 대한 지식( 예: 다른 값에서 벗어나는 중요한 값이 있습니까?)
플로팅 중인 매개변수에 대한 직관적인 색 구성표가 있는 경우
현장에 표준이 있다면 청중이 기대할 수 있습니다.
많은 응용 프로그램에서 지각적으로 균일한 컬러맵이 최선의 선택입니다. 즉, 데이터의 동일한 단계가 색 공간에서 동일한 단계로 인식되는 컬러맵입니다. 연구자들은 인간의 두뇌가 예를 들어 색조의 변화보다 데이터의 변화로 밝기 매개변수의 변화를 훨씬 더 잘 인식한다는 사실을 발견했습니다. 따라서 컬러맵을 통해 밝기가 단조롭게 증가하는 컬러맵은 뷰어에서 더 잘 해석됩니다. 지각적으로 균일한 컬러맵의 훌륭한 예는 타사 컬러맵 섹션에서도 찾을 수 있습니다.
색상은 다양한 방법으로 3D 공간에서 표현될 수 있습니다. 색상을 표현하는 한 가지 방법은 CIELAB을 사용하는 것입니다. CIELAB에서 색공간은 밝기로 표현되며, \(L^*\); 적녹,\(a^*\); 그리고 노랑-파랑,\(b^*\). 밝기 매개변수\(L^*\)그런 다음 뷰어가 matplotlib 컬러맵을 인식하는 방법에 대해 자세히 알아보는 데 사용할 수 있습니다.
컬러맵에 대한 인간의 인식에 대해 학습하기 위한 훌륭한 시작 리소스는 [IBM] 에서 찾을 수 있습니다.
컬러맵 클래스 #
컬러맵은 종종 기능에 따라 여러 범주로 나뉩니다( 예: [ Moreland] 참조).
순차: 종종 단일 색조를 사용하여 밝기와 채도가 점진적으로 변경됩니다. 순서가 있는 정보를 나타내는 데 사용해야 합니다.
발산: 채도가 낮은 색상에서 중간에서 만나는 두 가지 다른 색상의 밝기 및 가능한 채도의 변화; 플롯되는 정보에 지형과 같은 중요한 중간 값이 있거나 데이터가 0 근처에서 벗어날 때 사용해야 합니다.
순환: 불포화 색상에서 중간과 시작/끝에서 만나는 서로 다른 두 색상의 밝기 변화; 위상 각도, 풍향 또는 하루 중 시간과 같이 끝점에서 둘러싸는 값에 사용해야 합니다.
정성적: 종종 잡다한 색상입니다. 순서나 관계가 없는 정보를 나타내는 데 사용해야 합니다.
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
from colorspacious import cspace_converter
먼저 각 컬러맵의 범위를 보여줍니다. 일부는 다른 것보다 더 "빠르게" 변하는 것처럼 보입니다.
cmaps = {}
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))
def plot_color_gradients(category, cmap_list):
# Create figure and adjust figure height to number of colormaps
nrows = len(cmap_list)
figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22
fig, axs = plt.subplots(nrows=nrows + 1, figsize=(6.4, figh))
fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh,
left=0.2, right=0.99)
axs[0].set_title(f'{category} colormaps', fontsize=14)
for ax, name in zip(axs, cmap_list):
ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
ax.text(-0.01, 0.5, name, va='center', ha='right', fontsize=10,
transform=ax.transAxes)
# Turn off *all* ticks & spines, not just the ones with colormaps.
for ax in axs:
ax.set_axis_off()
# Save colormap list for later.
cmaps[category] = cmap_list
순차적 #
Sequential 플롯의 경우 밝기 값은 컬러맵을 통해 단조롭게 증가합니다. 좋습니다. 일부\(L^*\)컬러맵의 값 범위는 0에서 100(이진 및 다른 그레이스케일)이고 다른 값은 대략 시작합니다. \(L^*=20\). 범위가 작은 분들은\(L^*\)따라서 지각 범위가 더 작아집니다. 또한\(L^*\)기능은 컬러맵에 따라 다릅니다. 일부는 대략 선형입니다.\(L^*\)다른 것들은 더 구부러져 있습니다.
plot_color_gradients('Perceptually Uniform Sequential',
['viridis', 'plasma', 'inferno', 'magma', 'cividis'])
plot_color_gradients('Sequential',
['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'])
순차 2 #
많은\(L^*\)Sequential2 플롯의 값은 단조롭게 증가하지만 일부(가을, 선선한, 봄, 겨울) 고원 또는\(L^*\)우주. 기타(afmhot, copper, gist_heat 및 hot)에는 꼬임이 있습니다.\(L^*\)기능. 안정기 또는 꼬임에 있는 컬러맵의 영역에서 표현되는 데이터는 컬러맵의 해당 값에서 데이터의 밴딩 인식으로 이어집니다( 이에 대한 훌륭한 예는 [mycarta-banding] 참조).
plot_color_gradients('Sequential (2)',
['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone',
'pink', 'spring', 'summer', 'autumn', 'winter', 'cool',
'Wistia', 'hot', 'afmhot', 'gist_heat', 'copper'])
발산 #
Diverging 맵의 경우 단조롭게 증가하고 싶습니다.\(L^*\) 값에 가까워야 하는 최대값\(L^*=100\), 단조롭게 감소\(L^*\)가치. 우리는 대략적으로 동등한 최소값을 찾고 있습니다.\(L^*\)컬러맵의 반대쪽 끝에 있는 값. 이러한 방법으로 BrBG 및 RdBu는 좋은 옵션입니다. coolwarm은 좋은 옵션이지만 광범위한 범위에 걸쳐 있지는 않습니다.\(L^*\)값(아래 그레이스케일 섹션 참조).
plot_color_gradients('Diverging',
['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu', 'RdYlBu',
'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic'])
순환 #
순환 맵의 경우 동일한 색상으로 시작하고 끝나며 중간에서 대칭 중심점을 만나고 싶습니다.\(L^*\)시작에서 중간으로, 중간에서 끝으로 역으로 단조롭게 변경되어야 합니다. 증가 및 감소 측면에서 대칭이어야 하며 색조만 다릅니다. 끝과 중간에,\(L^*\)부드럽게 해야 하는 방향을 바꿀 것입니다. \(L^*\)아티팩트를 줄이기 위한 공간. 순환 맵 설계에 대한 자세한 내용 은 [kovesi-colormaps] 를 참조하십시오.
자주 사용되는 HSV 컬러맵이 이 컬러맵 세트에 포함되어 있지만 중심점에 대해 대칭은 아닙니다. 또한,\(L^*\)값은 컬러맵 전체에서 매우 다양하므로 보는 사람이 지각할 수 있는 데이터를 나타내는 데 적합하지 않습니다. [mycarta-jet] 에서 이 아이디어에 대한 확장을 참조하십시오 .
plot_color_gradients('Cyclic', ['twilight', 'twilight_shifted', 'hsv'])
질적 #
정성적 컬러맵은 지각적 맵을 목표로 하지 않지만 밝기 매개변수를 보면 이를 확인할 수 있습니다. 그만큼\(L^*\)값은 컬러맵 전체에서 이동하며 분명히 단조롭게 증가하지 않습니다. 이는 지각 컬러맵으로 사용하기에 좋은 옵션이 아닙니다.
plot_color_gradients('Qualitative',
['Pastel1', 'Pastel2', 'Paired', 'Accent', 'Dark2',
'Set1', 'Set2', 'Set3', 'tab10', 'tab20', 'tab20b',
'tab20c'])
기타 #
기타 컬러맵 중 일부는 생성된 특정 용도가 있습니다. 예를 들어 gist_earth, ocean 및 Terrain은 모두 지형(녹색/갈색)과 수심(파란색)을 함께 플로팅하기 위해 생성된 것으로 보입니다. 그러면 이러한 컬러맵에서 차이가 있을 것으로 예상되지만 gist_earth 및 지형과 같이 여러 꼬임이 이상적이지 않을 수 있습니다. CMRmap은 약간의 꼬임이 있는 것처럼 보이지만 그레이스케일로 잘 변환되도록 만들어졌습니다. \(L^*\). 큐브헬릭스는 명도와 색조가 모두 부드럽게 변하도록 만들어졌지만 녹색 색조 영역에 작은 혹이 있는 것처럼 보입니다. 터보는 깊이 및 시차 데이터를 표시하기 위해 만들어졌습니다.
자주 사용되는 제트 컬러맵이 이 컬러맵 세트에 포함되어 있습니다. 우리는\(L^*\)값은 컬러맵 전체에서 매우 다양하므로 보는 사람이 지각할 수 있는 데이터를 나타내는 데 적합하지 않습니다. [mycarta-jet] 및 [turbo] 에서 이 아이디어에 대한 확장을 참조하십시오 .
plot_color_gradients('Miscellaneous',
['flag', 'prism', 'ocean', 'gist_earth', 'terrain',
'gist_stern', 'gnuplot', 'gnuplot2', 'CMRmap',
'cubehelix', 'brg', 'gist_rainbow', 'rainbow', 'jet',
'turbo', 'nipy_spectral', 'gist_ncar'])
plt.show()
Matplotlib 컬러맵의 밝기 #
여기서 우리는 matplotlib 컬러맵의 밝기 값을 검사합니다. 컬러맵에 대한 일부 문서를 사용할 수 있습니다( [list-colormaps] ).
mpl.rcParams.update({'font.size': 12})
# Number of colormap per subplot for particular cmap categories
_DSUBS = {'Perceptually Uniform Sequential': 5, 'Sequential': 6,
'Sequential (2)': 6, 'Diverging': 6, 'Cyclic': 3,
'Qualitative': 4, 'Miscellaneous': 6}
# Spacing between the colormaps of a subplot
_DC = {'Perceptually Uniform Sequential': 1.4, 'Sequential': 0.7,
'Sequential (2)': 1.4, 'Diverging': 1.4, 'Cyclic': 1.4,
'Qualitative': 1.4, 'Miscellaneous': 1.4}
# Indices to step through colormap
x = np.linspace(0.0, 1.0, 100)
# Do plot
for cmap_category, cmap_list in cmaps.items():
# Do subplots so that colormaps have enough space.
# Default is 6 colormaps per subplot.
dsub = _DSUBS.get(cmap_category, 6)
nsubplots = int(np.ceil(len(cmap_list) / dsub))
# squeeze=False to handle similarly the case of a single subplot
fig, axs = plt.subplots(nrows=nsubplots, squeeze=False,
figsize=(7, 2.6*nsubplots))
for i, ax in enumerate(axs.flat):
locs = [] # locations for text labels
for j, cmap in enumerate(cmap_list[i*dsub:(i+1)*dsub]):
# Get RGB values for colormap and convert the colormap in
# CAM02-UCS colorspace. lab[0, :, 0] is the lightness.
rgb = mpl.colormaps[cmap](x)[np.newaxis, :, :3]
lab = cspace_converter("sRGB1", "CAM02-UCS")(rgb)
# Plot colormap L values. Do separately for each category
# so each plot can be pretty. To make scatter markers change
# color along plot:
# https://stackoverflow.com/q/8202605/
if cmap_category == 'Sequential':
# These colormaps all start at high lightness but we want them
# reversed to look nice in the plot, so reverse the order.
y_ = lab[0, ::-1, 0]
c_ = x[::-1]
else:
y_ = lab[0, :, 0]
c_ = x
dc = _DC.get(cmap_category, 1.4) # cmaps horizontal spacing
ax.scatter(x + j*dc, y_, c=c_, cmap=cmap, s=300, linewidths=0.0)
# Store locations for colormap labels
if cmap_category in ('Perceptually Uniform Sequential',
'Sequential'):
locs.append(x[-1] + j*dc)
elif cmap_category in ('Diverging', 'Qualitative', 'Cyclic',
'Miscellaneous', 'Sequential (2)'):
locs.append(x[int(x.size/2.)] + j*dc)
# Set up the axis limits:
# * the 1st subplot is used as a reference for the x-axis limits
# * lightness values goes from 0 to 100 (y-axis limits)
ax.set_xlim(axs[0, 0].get_xlim())
ax.set_ylim(0.0, 100.0)
# Set up labels for colormaps
ax.xaxis.set_ticks_position('top')
ticker = mpl.ticker.FixedLocator(locs)
ax.xaxis.set_major_locator(ticker)
formatter = mpl.ticker.FixedFormatter(cmap_list[i*dsub:(i+1)*dsub])
ax.xaxis.set_major_formatter(formatter)
ax.xaxis.set_tick_params(rotation=50)
ax.set_ylabel('Lightness $L^*$', fontsize=12)
ax.set_xlabel(cmap_category + ' colormaps', fontsize=14)
fig.tight_layout(h_pad=0.0, pad=1.5)
plt.show()
그레이스케일 변환 #
컬러 플롯은 흑백 프린터로 인쇄될 수 있으므로 그레이스케일로 변환하는 데 주의를 기울이는 것이 중요합니다. 신중하게 고려하지 않으면 컬러맵을 통해 회색조가 예측할 수 없게 변경되기 때문에 판독기가 해독할 수 없는 플롯으로 끝날 수 있습니다.
그레이스케일로의 변환은 다양한 방식으로 이루어집니다 [bw] . 더 나은 것 중 일부는 픽셀의 rgb 값의 선형 조합을 사용하지만 색상 강도를 인식하는 방법에 따라 가중치가 부여됩니다. 그레이스케일로 변환하는 비선형 방법은 다음을 사용하는 것입니다.\(L^*\)픽셀의 값. 일반적으로, 지각적으로 정보를 제시할 때와 마찬가지로 이 질문에도 유사한 원칙이 적용됩니다. 즉, 단조롭게 증가하는 컬러맵을 선택한 경우\(L^*\)값을 사용하면 합리적인 방식으로 그레이스케일로 인쇄됩니다.
이를 염두에 두고 Sequential 컬러맵이 회색조로 적절하게 표현된다는 것을 알 수 있습니다. Sequential2 컬러맵 중 일부는 적절한 그레이스케일 표현을 가지고 있지만 일부(가을, 봄, 여름, 겨울)는 그레이스케일 변화가 거의 없습니다. 이와 같은 컬러맵이 플롯에 사용된 다음 플롯이 회색조로 인쇄된 경우 많은 정보가 동일한 회색 값에 매핑될 수 있습니다. 다중 컬러맵은 대부분 외부 가장자리의 어두운 회색에서 중간의 흰색까지 다양합니다. 일부(PuOr 및 지진)는 한쪽이 다른 쪽보다 눈에 띄게 더 어두운 회색을 나타내므로 그다지 대칭적이지 않습니다. coolwarm은 그레이 스케일의 범위가 작고 더 균일한 플롯으로 인쇄하여 많은 세부 사항을 잃게 됩니다. 중첩되고 레이블이 지정된 윤곽선은 컬러맵의 한 쪽과 다른 쪽을 구별하는 데 도움이 될 수 있습니다. 다른 하나는 플롯이 그레이스케일로 인쇄되면 색상을 사용할 수 없기 때문입니다. Accent, hsv, jet 및 turbo와 같은 많은 정성 및 기타 컬러맵은 컬러맵 전체에서 어두운 색에서 밝은 색으로, 다시 어두운 회색으로 바뀝니다. 이렇게 하면 플롯이 그레이스케일로 인쇄되면 보는 사람이 플롯의 정보를 해석하는 것이 불가능해집니다.
mpl.rcParams.update({'font.size': 14})
# Indices to step through colormap.
x = np.linspace(0.0, 1.0, 100)
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))
def plot_color_gradients(cmap_category, cmap_list):
fig, axs = plt.subplots(nrows=len(cmap_list), ncols=2)
fig.subplots_adjust(top=0.95, bottom=0.01, left=0.2, right=0.99,
wspace=0.05)
fig.suptitle(cmap_category + ' colormaps', fontsize=14, y=1.0, x=0.6)
for ax, name in zip(axs, cmap_list):
# Get RGB values for colormap.
rgb = mpl.colormaps[name](x)[np.newaxis, :, :3]
# Get colormap in CAM02-UCS colorspace. We want the lightness.
lab = cspace_converter("sRGB1", "CAM02-UCS")(rgb)
L = lab[0, :, 0]
L = np.float32(np.vstack((L, L, L)))
ax[0].imshow(gradient, aspect='auto', cmap=mpl.colormaps[name])
ax[1].imshow(L, aspect='auto', cmap='binary_r', vmin=0., vmax=100.)
pos = list(ax[0].get_position().bounds)
x_text = pos[0] - 0.01
y_text = pos[1] + pos[3]/2.
fig.text(x_text, y_text, name, va='center', ha='right', fontsize=10)
# Turn off *all* ticks & spines, not just the ones with colormaps.
for ax in axs.flat:
ax.set_axis_off()
plt.show()
for cmap_category, cmap_list in cmaps.items():
plot_color_gradients(cmap_category, cmap_list)
색각 이상 #
색맹( 예: [ colorblindness] ) 에 대해 사용할 수 있는 정보가 많이 있습니다 . 또한 이미지를 다양한 유형의 색각 장애를 찾는 방식으로 변환하는 데 사용할 수 있는 도구가 있습니다.
가장 흔한 형태의 색각 이상은 빨간색과 녹색을 구분하는 것입니다. 따라서 빨간색과 녹색이 모두 포함된 컬러맵을 피하면 일반적으로 많은 문제를 피할 수 있습니다.
참조 #
https://mycarta.wordpress.com/2012/10/06/the-rainbow-is-deadlong-live-the-rainbow-part-3/
스크립트의 총 실행 시간: (0분 14.251초)