这可以通过修改颜色图的 set_under 和 set_over 方法来设置。 extendfrac: 控制颜色条两端扩展区的长度。可以是一个浮点数,表示作为内部颜色条长度的一部分;也可以是一个包含两个元素的序列,分别指示最小值和最大值颜色条扩展区的长度比例。 extendrect: 布尔值,如果为 False 则最小和最大颜色条扩展区将是...
colorbar()函数将返回一个颜色条对象,我们可以使用该对象的set_ticks()方法来设置颜色条的刻度位置。为了使颜色条更加美观,我们可以使用Matplotlib的colormap()函数来选择一个适合我们数据的颜色映射方案。colormap()函数将返回一个颜色映射对象,我们可以使用该对象的set_under()和set_over()方法来设置颜色条中低于和...
这里绘制一个按照实际比例来决定的colorbar。 plt.figure(2);ax=plt.subplot(411);cmap=mpl.colors.ListedColormap(['purple','blue','green','yellow','gold','orange','red']);cmap.set_over('darkred');cmap.set_under('darkblue');bounds=[0,1,3,4,7,9,10,12];norm1=mpl.colors.BoundaryNor...
下面是一个基础的类图,展示了颜色管理中的一些主要类。 Color+hex()+rgb()+rgba()Colormap+set_under()+set_over()+set_bad()Normalize+__call__() 在技术实现中特别涉及到的公式包括色的转换公式: RGB 到 HSV 的转换: [ H = \frac{60 \times ((G - B) / (max - min)) + 360}{360} \qu...
import matplotlib.pyplot as plt import matplotlib as mpl fig, ax = plt.subplots(figsize=(6, 1)) fig.subplots_adjust(bottom=0.5) cmap = mpl.colors.ListedColormap(['royalblue', 'cyan', 'yellow', 'orange']) cmap.set_over('red') cmap.set_under('blue') bounds = [-1.0, -0.5, 0.0,...
cmap.set_over('0.25') cmap.set_under('0.75') bounds = [1,2,4,5,7,8] norm = mpl.colors.BoundaryNorm(bounds, cmap.N) fig.colorbar( mpl.cm.ScalarMappable(cmap=cmap, norm=norm), cax=ax, boundaries=[0] + bounds + [13],
Axes是Figure中的一个子区域,用于绘制数据图形。每个Axes对象都有一个x轴和一个y轴,可以通过set_xlabel()和set_ylabel()方法分别设置其标签。一个Figure对象可以包含多个Axes对象。 Axis是Axes对象中的一个坐标轴,用于表示数据范围和刻度线。每个Axes对象包含两个Axis对象,一个是x轴,一个是y轴。可以通过set_xlim...
定性颜色映射:如‘Set1’、’Set2’、’Set3’、’Pastel1’ 等 以下是一个使用内置颜色映射的简单示例: importmatplotlib.pyplotaspltimportnumpyasnp# 创建数据x=np.linspace(0,10,100)y=np.sin(x)# 创建图形plt.figure(figsize=(10,6))plt.scatter(x,y,c=y,cmap='viridis')plt.colorbar(label='Sin...
ax[1].plot(well_data['GR'],well_data['DEPTH'],color='green')ax[1].set_title('GR (Gamma Ray)')ax[1].set_xlim(0,150)# Typical scaleforGRax[1].grid()# PlottingDTon the thirdtrack(excludingNaNvalues) ax[2].plot(well_data['DT'].dropna(),well_data['DEPTH'].loc[well_data[...
一张图片胜过千言万语,良好的可视化价值数百万。 可视化在当今世界许多领域的结果传播中发挥着重要作用。如果没有适当的可视化,很难揭示结果,理解变量之间的复杂关系并描述数据的趋势。 本文将首先使用Matplotlib绘制基本图,然后深入研究一些非常有用的高级可视化技术,如“mplot3d Toolkit”(生成3D图)和小部件。