Matplotlib Farbskalen-Normalisierung

Einführung

Beim Datenvisualisierung werden Farbskalen verwendet, um numerische Daten durch Farben darzustellen. Manchmal kann die Datenverteilung jedoch nichtlinear sein, was es schwierig machen kann, die Details der Daten zu erkennen. In solchen Fällen kann die Normalisierung von Farbskalen verwendet werden, um Farbskalen auf Daten auf nichtlineare Weise zuzuordnen, um die Daten genauer zu visualisieren. Matplotlib bietet mehrere Normalisierungsverfahren, einschließlich SymLogNorm und AsinhNorm, die verwendet werden können, um Farbskalen zu normalisieren. In diesem Lab wird gezeigt, wie SymLogNorm und AsinhNorm verwendet werden, um Farbskalen auf nichtlineare Daten zuzuordnen.

Tipps für die VM

Nachdem der VM-Start 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 von Einschränkungen in Jupyter Notebook nicht automatisiert werden.

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

Importieren der erforderlichen Bibliotheken

In diesem Schritt importieren wir die erforderlichen Bibliotheken, einschließlich Matplotlib, NumPy und Matplotlib-Farben.

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.colors as colors

Erstellen von synthetischen Daten

In diesem Schritt erstellen wir einen synthetischen Datensatz, der aus zwei Buckeln besteht, einem negativen und einem positiven, wobei der positive Buckel eine Amplitude von achtmal der Amplitude des negativen Buckels hat. Anschließend wenden wir SymLogNorm an, um die Daten zu visualisieren.

def rbf(x, y):
    return 1.0 / (1 + 5 * ((x ** 2) + (y ** 2)))

N = 200
gain = 8
X, Y = np.mgrid[-3:3:complex(0, N), -2:2:complex(0, N)]
Z1 = rbf(X + 0.5, Y + 0.5)
Z2 = rbf(X - 0.5, Y - 0.5)
Z = gain * Z1 - Z2

shadeopts = {'cmap': 'PRGn','shading': 'gouraud'}
colormap = 'PRGn'
lnrwidth = 0.5

Anwenden von SymLogNorm

In diesem Schritt wenden wir SymLogNorm auf die synthetischen Daten an und visualisieren die Ergebnisse.

fig, ax = plt.subplots(2, 1, sharex=True, sharey=True)

pcm = ax[0].pcolormesh(X, Y, Z,
                       norm=colors.SymLogNorm(linthresh=lnrwidth, linscale=1,
                                              vmin=-gain, vmax=gain, base=10),
                       **shadeopts)
fig.colorbar(pcm, ax=ax[0], extend='both')
ax[0].text(-2.5, 1.5,'symlog')

pcm = ax[1].pcolormesh(X, Y, Z, vmin=-gain, vmax=gain,
                       **shadeopts)
fig.colorbar(pcm, ax=ax[1], extend='both')
ax[1].text(-2.5, 1.5, 'linear')

plt.show()

Anwenden von AsinhNorm

In diesem Schritt wenden wir AsinhNorm auf die synthetischen Daten an und visualisieren die Ergebnisse.

fig, ax = plt.subplots(2, 1, sharex=True, sharey=True)

pcm = ax[0].pcolormesh(X, Y, Z,
                       norm=colors.SymLogNorm(linthresh=lnrwidth, linscale=1,
                                              vmin=-gain, vmax=gain, base=10),
                       **shadeopts)
fig.colorbar(pcm, ax=ax[0], extend='both')
ax[0].text(-2.5, 1.5,'symlog')

pcm = ax[1].pcolormesh(X, Y, Z,
                       norm=colors.AsinhNorm(linear_width=lnrwidth,
                                             vmin=-gain, vmax=gain),
                       **shadeopts)
fig.colorbar(pcm, ax=ax[1], extend='both')
ax[1].text(-2.5, 1.5, 'asinh')

plt.show()

Zusammenfassung

In diesem Lab haben wir gelernt, wie man SymLogNorm und AsinhNorm verwendet, um Farbskalen auf nichtlineare Daten abzubilden. Indem wir diese Normalisierungsmethoden anwenden, können wir die Daten genauer visualisieren und die Details der Daten leichter erkennen.