matplotlib 中的反向颜色图

Posted 2023-02-23

【中文标题】matplotlib 中的反向颜色图

【英文标题】：Reverse colormap in matplotlib

【发布时间】：2011-03-17 19:29:24

【问题描述】：

我想知道如何简单地反转给定颜色图的颜色顺序，以便将其与 plot_surface 一起使用。

【参考方案1】：

标准颜色图也都有反转版本。它们具有相同的名称，并在末尾添加了_r。 (Documentation here.)

【讨论】：

这不适用于“amfhot”：“ValueError：无法识别颜色图 amfhot_r”。我想“hot_r”就足够了。

类似地，“ValueError: Colormap red_r 无法识别。”

【参考方案2】：

在 matplotlib 中，颜色图不是一个列表，但它包含其颜色列表为 colormap.colors。并且模块matplotlib.colors 提供了一个函数ListedColormap() 从列表中生成颜色图。所以你可以通过做

colormap_r = ListedColormap(colormap.colors[::-1])

【讨论】：

+1。但是，这通常不会反转任何颜色图。只有ListedColormaps（即离散的，而不是插值的）具有colors 属性。反转LinearSegmentedColormaps 有点复杂。 （您需要反转 _segmentdata 字典中的每个项目。）

关于反转LinearSegmentedColormaps，我只是为一些颜色图做了这个。 Here's an IPython Notebook about it.

@kwinkunks 我觉得你笔记本的功能不对，请看下面的回答

【参考方案3】：

由于LinearSegmentedColormaps 是基于红、绿、蓝的字典，因此需要将每个项目反转：

import matplotlib.pyplot as plt
import matplotlib as mpl
def reverse_colourmap(cmap, name = 'my_cmap_r'):
    """
    In: 
    cmap, name 
    Out:
    my_cmap_r

    Explanation:
    t[0] goes from 0 to 1
    row i:   x  y0  y1 -> t[0] t[1] t[2]
                   /
                  /
    row i+1: x  y0  y1 -> t[n] t[1] t[2]

    so the inverse should do the same:
    row i+1: x  y1  y0 -> 1-t[0] t[2] t[1]
                   /
                  /
    row i:   x  y1  y0 -> 1-t[n] t[2] t[1]
    """        
    reverse = []
    k = []   

    for key in cmap._segmentdata:    
        k.append(key)
        channel = cmap._segmentdata[key]
        data = []

        for t in channel:                    
            data.append((1-t[0],t[2],t[1]))            
        reverse.append(sorted(data))    

    LinearL = dict(zip(k,reverse))
    my_cmap_r = mpl.colors.LinearSegmentedColormap(name, LinearL) 
    return my_cmap_r

看看它是否有效：

my_cmap        
<matplotlib.colors.LinearSegmentedColormap at 0xd5a0518>

my_cmap_r = reverse_colourmap(my_cmap)

fig = plt.figure(figsize=(8, 2))
ax1 = fig.add_axes([0.05, 0.80, 0.9, 0.15])
ax2 = fig.add_axes([0.05, 0.475, 0.9, 0.15])
norm = mpl.colors.Normalize(vmin=0, vmax=1)
cb1 = mpl.colorbar.ColorbarBase(ax1, cmap = my_cmap, norm=norm,orientation='horizontal')
cb2 = mpl.colorbar.ColorbarBase(ax2, cmap = my_cmap_r, norm=norm, orientation='horizontal')

编辑

---

我没有收到 user3445587 的评论。它在彩虹色图上运行良好：

cmap = mpl.cm.jet
cmap_r = reverse_colourmap(cmap)

fig = plt.figure(figsize=(8, 2))
ax1 = fig.add_axes([0.05, 0.80, 0.9, 0.15])
ax2 = fig.add_axes([0.05, 0.475, 0.9, 0.15])
norm = mpl.colors.Normalize(vmin=0, vmax=1)
cb1 = mpl.colorbar.ColorbarBase(ax1, cmap = cmap, norm=norm,orientation='horizontal')
cb2 = mpl.colorbar.ColorbarBase(ax2, cmap = cmap_r, norm=norm, orientation='horizontal')

但它特别适用于自定义声明的颜色图，因为自定义声明的颜色图没有默认的_r。以下示例取自http://matplotlib.org/examples/pylab_examples/custom_cmap.html：

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))
         

blue_red1 = mpl.colors.LinearSegmentedColormap('BlueRed1', cdict1)
blue_red1_r = reverse_colourmap(blue_red1)

fig = plt.figure(figsize=(8, 2))
ax1 = fig.add_axes([0.05, 0.80, 0.9, 0.15])
ax2 = fig.add_axes([0.05, 0.475, 0.9, 0.15])

norm = mpl.colors.Normalize(vmin=0, vmax=1)
cb1 = mpl.colorbar.ColorbarBase(ax1, cmap = blue_red1, norm=norm,orientation='horizontal')
cb2 = mpl.colorbar.ColorbarBase(ax2, cmap = blue_red1_r, norm=norm, orientation='horizontal')

【讨论】：

这个例子是不完整的，因为segmentdata不在列表中，所以它不一定是可逆的（例如标准彩虹颜色图）。我认为原则上所有 LinearSegmentedColormaps 应该使用 lambda 函数在彩虹颜色图中是可逆的？

@user3445587 我添加了更多示例，但我认为它在标准彩虹颜色图上工作得很好

由于太长了，我添加了一个新的答案，它应该适用于所有类型的 LinearSegmentData。问题是对于彩虹，_segmentdata 的实现方式不同。所以你的代码 - 至少在我的机器上 - 不适用于彩虹颜色图。

【参考方案4】：

LinearSegmentedColormap 有两种类型。在某些情况下，_segmentdata 是明确给出的，例如，对于 jet：

>>> cm.jet._segmentdata
'blue': ((0.0, 0.5, 0.5), (0.11, 1, 1), (0.34, 1, 1), (0.65, 0, 0), (1, 0, 0)), 'red': ((0.0, 0, 0), (0.35, 0, 0), (0.66, 1, 1), (0.89, 1, 1), (1, 0.5, 0.5)), 'green': ((0.0, 0, 0), (0.125, 0, 0), (0.375, 1, 1), (0.64, 1, 1), (0.91, 0, 0), (1, 0, 0))

对于彩虹，_segmentdata 给出如下：

>>> cm.rainbow._segmentdata
'blue': <function <lambda> at 0x7fac32ac2b70>, 'red': <function <lambda> at 0x7fac32ac7840>, 'green': <function <lambda> at 0x7fac32ac2d08>

我们可以在matplotlib的源代码中找到这些函数，它们被给出为

_rainbow_data = 
        'red': gfunc[33],   # 33: lambda x: np.abs(2 * x - 0.5),
        'green': gfunc[13], # 13: lambda x: np.sin(x * np.pi),
        'blue': gfunc[10],  # 10: lambda x: np.cos(x * np.pi / 2)

你想要的一切都已经在matplotlib中完成了，只需调用cm.revcmap，它会反转两种类型的segmentdata，所以

cm.revcmap(cm.rainbow._segmentdata)

应该做这项工作 - 您可以简单地从中创建一个新的 LinearSegmentData。在revcmap中，基于函数的SegmentData的反转是用

def _reverser(f):
    def freversed(x):
        return f(1 - x)
    return freversed

而其他列表照常颠倒

valnew = [(1.0 - x, y1, y0) for x, y0, y1 in reversed(val)] 

所以实际上你想要的就是

def reverse_colourmap(cmap, name = 'my_cmap_r'):
     return mpl.colors.LinearSegmentedColormap(name, cm.revcmap(cmap._segmentdata)) 

【参考方案5】：

解决方案非常简单。假设您想使用“秋季”颜色图方案。标准版：

cmap = matplotlib.cm.autumn

要反转颜色图色谱，请使用 get_cmap() 函数并将“_r”附加到颜色图标题，如下所示：

cmap_reversed = matplotlib.cm.get_cmap('autumn_r')

【讨论】：

你能提供你从哪里得到 .autumn 的文档链接吗？

这可能稍后会中断...matplotlib.org/3.1.1/gallery/color/colormap_reference.html，但我相信任何有兴趣的人无论如何都可以通过搜索找到它。

从 3.2.2 开始工作

【参考方案6】：

目前还没有反转任意颜色图的内置方法，但一种简单的解决方案是实际上不修改颜色条，而是创建一个反转的 Normalize 对象：

from matplotlib.colors import Normalize

class InvertedNormalize(Normalize):
    def __call__(self, *args, **kwargs):
        return 1 - super(InvertedNormalize, self).__call__(*args, **kwargs)

然后您可以将其与 plot_surface 和其他 Matplotlib 绘图功能一起使用，例如

inverted_norm = InvertedNormalize(vmin=10, vmax=100)
ax.plot_surface(..., cmap=<your colormap>, norm=inverted_norm)

这适用于任何 Matplotlib 颜色图。

【讨论】：

现在有！ matplotlib.org/api/_as_gen/…

这是一个很好的答案。它适用于各种额外的操作。我用(0.5 + super) % 1 从内到外反转了一个循环颜色图。加油！

【参考方案7】：

从 Matplotlib 2.0 开始，ListedColormap 和 LinearSegmentedColorMap 对象有一个 reversed() 方法，所以你可以这样做

cmap_reversed = cmap.reversed()

Here 是文档。

【讨论】：

这是（在我看来）迄今为止最好的答案