如何围绕RdYlGn居中非线性colormap?自定义数值颜色映射
自定义RdYlGn色卡的分段映射方案
嘿,我完全懂你想要的效果——让RdYlGn的红→黄段精准对应[-0.5, 0],黄→绿段对应[0, 0.7],而且不想手动做数值归一化对吧?之前试了DivergingNorm(现在新版叫TwoSlopeNorm)没成功,大概率是参数没设置到位,下面给你两个靠谱的方案:
方案一:用TwoSlopeNorm(推荐,最简单)
这个方法完全符合你的需求,不需要重构色卡,只需要正确配置归一化器的参数,让matplotlib自动帮你映射区间:
import matplotlib.pyplot as plt from matplotlib.colors import TwoSlopeNorm import numpy as np # 生成你的测试数据(替换成你自己的数据) data = np.linspace(-0.5, 0.7, 100).reshape(10, 10) # 核心:设置归一化器,指定最小值、分界点、最大值 # vmin=-0.5(对应最深红),vcenter=0(对应黄色),vmax=0.7(对应最深绿) norm = TwoSlopeNorm(vmin=-0.5, vcenter=0, vmax=0.7) # 调用原生RdYlGn色卡 cmap = plt.get_cmap('RdYlGn') # 绘图测试 plt.imshow(data, norm=norm, cmap=cmap) plt.colorbar(label='Custom Range') plt.title('RdYlGn with Custom Diverging Range') plt.show()
这个方案的优势是直接复用原生RdYlGn的色阶过渡,不会出现颜色断层,而且完全不需要手动处理数值归一化——TwoSlopeNorm会自动把[-0.5,0]映射到色卡的红→黄段(色卡的0到0.5位置),[0,0.7]映射到黄→绿段(色卡的0.5到1位置),完美匹配你的要求。
方案二:重构自定义Colormap(无需Norm)
如果确实不想用归一化器,我们可以直接构建一个和你的数值范围绑定的自定义色卡,这样绘图时只需要指定vmin和vmax即可:
import matplotlib.pyplot as plt from matplotlib.colors import LinearSegmentedColormap import numpy as np # 获取RdYlGn的三个关键颜色:最深红、黄色、最深绿 deep_red = plt.get_cmap('RdYlGn')(0) yellow = plt.get_cmap('RdYlGn')(0.5) deep_green = plt.get_cmap('RdYlGn')(1) # 构建色卡的颜色映射字典,直接绑定你的数值区间 cdict = { 'red': [ [-0.5, deep_red[0], deep_red[0]], # -0.5对应最深红的红色通道 [0, yellow[0], yellow[0]], # 0对应黄色的红色通道 [0.7, deep_green[0], deep_green[0]]# 0.7对应最深绿的红色通道 ], 'green': [ [-0.5, deep_red[1], deep_red[1]], [0, yellow[1], yellow[1]], [0.7, deep_green[1], deep_green[1]] ], 'blue': [ [-0.5, deep_red[2], deep_red[2]], [0, yellow[2], yellow[2]], [0.7, deep_green[2], deep_green[2]] ] } # 创建自定义色卡,指定数值范围的上下限 custom_cmap = LinearSegmentedColormap('CustomRdYlGn', cdict, N=256) # 测试绘图 data = np.linspace(-0.5, 0.7, 100).reshape(10,10) plt.imshow(data, cmap=custom_cmap, vmin=-0.5, vmax=0.7) plt.colorbar(label='Custom Range') plt.title('Custom RdYlGn Colormap') plt.show()
这个方案相当于把你的数值区间直接编码进了色卡的定义里,绘图时只要指定vmin=-0.5和vmax=0.7,就能直接映射到对应的颜色段,不需要额外的归一化器。
内容的提问来源于stack exchange,提问作者Mark McGown
相关产品推荐
相关产品推荐

