之前悄悄送了一次可视化书籍，大家都留言催更可视化的推文，这就来了。之所以推这篇文章，是因为看到了一个不错的colormap，苦于没有源文件，只能截图然后识别出颜色，但识别效果看起来又没那么好了(如下图)。
左侧为看到卫星亮温观测colormap，右侧为识别出的colormap
整体上来看也还算可以，但达不到满意的效果，便想根据颜色自行创建一个，成图效果如下。好不好看暂且不说，这篇文章的主要目的是想说：绘图的时候颜色的选择不必拘泥于使用软件提供的colormap，应该根据想要强调的内容选择，比如这里想要强调亮温的不同温度区间，那么使用不同颜色就是一个很好的选择。但应该注意，对于相近区间的颜色应达到一定的对比度，要不然不太好区分。
实现后的效果图
绘图代码如下：
代码语言：javascript复制((tbb.tbb_13.sortby('latitude')
.sel(longitude=slice(105, 125), latitude=slice(20, 35)) - 273.15)
.plot(vmin=-80, vmax=50, cmap=tbb_cmap2, cbar_kwargs=dict(ticks=np.arange(-80, 51, 10))))
颜色调整的代码没那么复杂，主要就是选择以及调整颜色的时候较为繁琐。
代码语言：javascript复制from matplotlib import cm
from matplotlib import colors
gray = cm.get_cmap('gray', 128)
blues = cm.get_cmap('blues', 128)
yellow = cm.get_cmap('orange1', 128)
orange = cm.get_cmap('orange5', 128)
red = cm.get_cmap('reds', 128)
g = list(gray(np.linspace(0, 1, 80)))
b = list(blues(np.linspace(0, 1, 80)))
y = list(yellow(np.linspace(0, 1, 50)))
o = list(orange(np.linspace(0, 1, 80)))
r = list(red(np.linspace(0, 1, 60)))
tbb_cmap2 = colors.ListedColormap((g b[30:70:2] y[40:10:-3] o[30:50:2] r[35:55:2])[::-1], N=130)想着以后创建colormap有不少功能都有用，便把一些能想到的功能都实现了，分门别类写成了函数，比如离散点颜色、多颜色的合并组合等。
代码语言：javascript复制def discrete_cmap(N, base_cmap=None, start=0, stop=1):
"""Create an N-bin discrete colormap from the specified input map
:param N(int):
:param base_cmap(string, colormap instance or None): colormap used to discrete
:param start(int): start index of colormap, default 0
:param stop(int): stop index of colormap, default 1
:return discrete colormap
Note:
if base_cmap is a string or None, you can simply do return plt.cm.get_cmap(base_cmap, N),
it works for string, None, or a colormap instance.
Ref:
https://gist.github.com/jakevdp/91077b0cae40f8f8244a
"""
from matplotlib import cm
base = cm.get_cmap(base_cmap)
color_list = base(np.linspace(start, stop, num=N, endpoint=True))
cmap_name = base.name str(N)
return cm.colors.ListedColormap(color_list, color_list, N)
离散点colormap
实现完之后发现 proplot 已经有了这些函数而且功能上要更强大，几乎实现了平时用到的功能。
比如，更高阶一些的控制不同颜色的比例：
代码语言：javascript复制import proplot as plot
import numpy as np
state = np.random.RandomState(51423)
data = state.rand(30, 30).cumsum(axis=1)
# Generate figure
fig, axs = plot.subplots([[0, 1, 1, 0], [2, 2, 3, 3]], axwidth=2.4, span=False)
axs.format(
xlabel='xlabel', ylabel='ylabel',
suptitle='Merging existing colormaps'
)
# SciVisColor examples
title2 = 'SciVisColor example with equal ratios'
cmap2 = plot.Colormap(
'Greens1_r', 'Oranges1', 'Blues1_r', 'Blues6',
name='SciVisColorEqual', save=True
)
title3 = 'SciVisColor example'
cmap3 = plot.Colormap(
'Greens1_r', 'Oranges1', 'Blues1_r', 'Blues6',
ratios=(1, 3, 5, 10), name='SciVisColor', save=True
)
# Plot examples
for ax, cmap, title in zip(axs, (cmap1, cmap2, cmap3), (title1, title2, title3)):
m = ax.pcolormesh(data, cmap=cmap, levels=500)
ax.colorbar(m, loc='b', locator='null', label=cmap.name)
ax.format(title=title)
proplot的官方文档中给出了非常详细的使用说明，感兴趣的可以点击阅读原文去官方文档看看，这里就不细说了。
—END—
