在Matplotlib中cmap到rgba

Question

我有一个特定的实现问题，即使用colormapping（cmap）将数据映射出来并将其转换为rgba值。基本上，我有一堆数据，我想创建一个errorbar（）图，其中点和错误栏本身都被其他一些值的大小着色（具体情况说它是对卡方的贡献）一些模型的拟合）。假设我有一个名为D的（N，4）数组，其中前两列是X和Y数据，第三列是误差条的值，最后一列是它对卡方函数的贡献。

我将如何首先1）将卡方贡献值的范围映射到cmap，其次，2）如何从这些中获取rgba值以循环错误bar（）函数以绘制什么我希望能够策划？

这实际上可能有用（http://matplotlib.org/api/cm_api.html），但我无法找到有关如何使用ScalarMappable（）（它有to_rgba（）方法）的任何示例或其他信息。

谢谢！

Answer 1

您可以通过调用值matplotlib.cm中的对象，将标量值映射到色彩映射。这些值应该介于0和1之间。因此，要获得某些卡方分布数据（我将随机生成）的RBGA值，我会这样做：

chisq = np.random.chisquare(4, 8)
chisq -= chisq.min()
chisq /= chisq.max()
errorbar_colors = cm.winter(chisq)

您可以减去最小值并除以所需的最大值，而不是让色标以最小和最大实际值开始和结束。

现在errorbar_colors将是来自(8, 4)色彩映射的winter RGBA值数组：

array([[ 0.        ,  0.7372549 ,  0.63137255,  1.        ],
       [ 0.        ,  0.7372549 ,  0.63137255,  1.        ],
       [ 0.        ,  0.4745098 ,  0.7627451 ,  1.        ],
       [ 0.        ,  1.        ,  0.5       ,  1.        ],
       [ 0.        ,  0.36078431,  0.81960784,  1.        ],
       [ 0.        ,  0.47843137,  0.76078431,  1.        ],
       [ 0.        ,  0.        ,  1.        ,  1.        ],
       [ 0.        ,  0.48627451,  0.75686275,  1.        ]])

要绘制此图，您可以迭代颜色和数据点并绘制错误栏：

heights = np.random.randn(8)
sem = .4

for i, (height, color) in enumerate(zip(heights, errorbar_colors)):
    plt.plot([i, i], [height - sem, height + sem], c=color, lw=3)
plt.plot(heights, marker="o", ms=12, color=".3")

但是，内置的matplotlib色彩图都不适合这项任务。为了改进，您可以使用seaborn生成可用于着色线的顺序调色板：

import numpy as np
import seaborn
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap

chisq = np.random.chisquare(4, 8)
chisq -= chisq.min()
chisq /= chisq.max()

cmap = ListedColormap(seaborn.color_palette("GnBu_d"))
errorbar_colors = cmap(chisq)

heights = np.random.randn(8)
sem = .4

for i, (height, color) in enumerate(zip(heights, errorbar_colors)):
    plt.plot([i, i], [height - sem, height + sem], c=color, lw=3)
plt.plot(heights, marker="o", ms=12, color=".3")

但即使在这里，我也怀疑这是否是解决问题的最好方法。我不确切地知道你的数据是什么样的，但我建议制作两个图，一个是你在这里绘制的因变量，另一个是卡方统计作为因变量。或者，如果您对误差线的大小和卡方值之间的关系感兴趣，我会直接用散点图绘制它。