Matplotlib gefärbte Diagrammvisualisierung

Einführung

In diesem Lab lernen Sie, wie Sie mit verschiedenen Techniken in Matplotlib gefärbte Diagramme erstellen. Sie werden lernen, wie Sie eine Farbskala für ein gefärbtes Diagramm anzeigen, Ausreißer in einem gefärbten Diagramm vermeiden und verschiedene Variablen durch Schattierung und Farbe anzeigen.

Tipps für die virtuelle Maschine

Nachdem der Start der virtuellen Maschine abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu nutzen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen von Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Ein Farbverlauf für ein gefärbtes Diagramm anzeigen

In diesem Schritt lernen Sie, wie Sie einen korrekten numerischen Farbverlauf für ein gefärbtes Diagramm anzeigen.

import matplotlib.pyplot as plt
import numpy as np

from matplotlib.colors import LightSource, Normalize

def display_colorbar():
    """Display a correct numeric colorbar for a shaded plot."""
    y, x = np.mgrid[-4:2:200j, -4:2:200j]
    z = 10 * np.cos(x**2 + y**2)

    cmap = plt.cm.copper
    ls = LightSource(315, 45)
    rgb = ls.shade(z, cmap)

    fig, ax = plt.subplots()
    ax.imshow(rgb, interpolation='bilinear')

    ## Use a proxy artist for the colorbar...
    im = ax.imshow(z, cmap=cmap)
    im.remove()
    fig.colorbar(im, ax=ax)

    ax.set_title('Using a colorbar with a shaded plot', size='x-large')

Vermeiden von Ausreißern in gefärbten Diagrammen

In diesem Schritt lernen Sie, wie Sie eine benutzerdefinierte Norm verwenden, um den angezeigten z-Bereich eines gefärbten Diagramms zu steuern.

def avoid_outliers():
    """Use a custom norm to control the displayed z-range of a shaded plot."""
    y, x = np.mgrid[-4:2:200j, -4:2:200j]
    z = 10 * np.cos(x**2 + y**2)

    ## Add some outliers...
    z[100, 105] = 2000
    z[120, 110] = -9000

    ls = LightSource(315, 45)
    fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(8, 4.5))

    rgb = ls.shade(z, plt.cm.copper)
    ax1.imshow(rgb, interpolation='bilinear')
    ax1.set_title('Full range of data')

    rgb = ls.shade(z, plt.cm.copper, vmin=-10, vmax=10)
    ax2.imshow(rgb, interpolation='bilinear')
    ax2.set_title('Manually set range')

    fig.suptitle('Avoiding Outliers in Shaded Plots', size='x-large')

Anzeige unterschiedlicher Variablen durch Schattierung und Farbe

In diesem Schritt lernen Sie, wie Sie unterschiedliche Variablen durch Schattierung und Farbe anzeigen.

def shade_other_data():
    """Demonstrates displaying different variables through shade and color."""
    y, x = np.mgrid[-4:2:200j, -4:2:200j]
    z1 = np.sin(x**2)  ## Data to hillshade
    z2 = np.cos(x**2 + y**2)  ## Data to color

    norm = Normalize(z2.min(), z2.max())
    cmap = plt.cm.RdBu

    ls = LightSource(315, 45)
    rgb = ls.shade_rgb(cmap(norm(z2)), z1)

    fig, ax = plt.subplots()
    ax.imshow(rgb, interpolation='bilinear')
    ax.set_title('Shade by one variable, color by another', size='x-large')

Zusammenfassung

In diesem Lab haben Sie gelernt, wie Sie mit verschiedenen Techniken in Matplotlib gefärbte Diagramme erstellen, darunter das Anzeigen einer Farbskala für ein gefärbtes Diagramm, das Vermeiden von Ausreißern in einem gefärbten Diagramm und das Anzeigen unterschiedlicher Variablen durch Schattierung und Farbe. Diese Techniken können nützlich sein, um Daten in verschiedenen Anwendungen zu visualisieren und zu untersuchen.