修复 matplotlib 散点图中的颜色
-
05-10-2019 - |
题
我想修复多个散点图上的颜色范围,并向每个图添加颜色条(每个图中都相同)。本质上,我正在修复轴和色彩空间等的所有方面。这样这些图就可以通过肉眼直接进行比较。
在我的一生中,我似乎无法弄清楚固定颜色范围的所有各种方法。我尝试过 vmin,vmax,但它似乎没有做任何事情,我也尝试过 clim(x,y) ,但这似乎也不起作用。
这必须在这里和那里出现,我不能是唯一一个想要比较绘图中的各种数据子集的人......那么,如何修复颜色,以便每个数据在图之间保留其颜色,并且不会由于子集 -v- 整个集合的最大/最小值的变化而重新映射到不同的颜色?
解决方案
设置VMIN和VMAX应该这样做。
这是一个例子:
import matplotlib.pyplot as plt
xyc = range(20)
plt.subplot(121)
plt.scatter(xyc[:13], xyc[:13], c=xyc[:13], s=35, vmin=0, vmax=20)
plt.colorbar()
plt.xlim(0, 20)
plt.ylim(0, 20)
plt.subplot(122)
plt.scatter(xyc[8:20], xyc[8:20], c=xyc[8:20], s=35, vmin=0, vmax=20)
plt.colorbar()
plt.xlim(0, 20)
plt.ylim(0, 20)
plt.show()
和这产生的情节:
其他提示
好吧,这并不是一个真正的答案,而是一个后续。我的编码结果改变了上面汤姆的代码。[不确定我是否要删除答案复选标记,因为上面的代码确实有效,并且是问题的答案!]
它似乎不适用于我的数据!下面是修改后的代码,可以与我的数据一起使用来生成一个绘图,但由于某些奇怪的原因,该绘图对我不起作用。输入来自 h5py 函数(hdf5 数据文件导入)。
在下文中,rf85 是用于大批量实验的阵列的子集,其中应用于系统的射频功率约为 85 瓦。我基本上以各种方式对数据进行切片和切块,以尝试观察趋势。与当前输入的完整数据集相比,这是 85 瓦(还有更多数据,但这就是我现在拥有的数据)。
import numpy
import matplotlib.pyplot as plt
CurrentsArray = [array([ 0.83333333, 0.8 , 0.57142857, 0.83333333, 1.03333333,
0.25 , 0.81666667, 0.35714286, 0.26 , 0.57142857,
0.83333333, 0.47368421, 0.80645161, 0.47368421, 0.52631579,
0.36666667, 0.47368421, 0.57142857, 0.47368421, 0.47368421,
0.47368421, 0.47368421, 0.47368421, 0.61764706, 0.81081081,
0.41666667, 0.47368421, 0.47368421, 0.45 , 0.73333333,
0.8 , 0.8 , 0.8 , 0.47368421, 0.45 ,
0.47368421, 0.83333333, 0.47368421, 0.22222222, 0.32894737,
0.57142857, 0.83333333, 0.83333333, 1. , 1. ,
0.46666667])]
growthTarray = [array([ 705., 620., 705., 725., 712., 705., 680., 680., 620.,
660., 660., 740., 721., 730., 720., 720., 730., 705.,
690., 705., 680., 715., 705., 670., 705., 705., 650.,
725., 725., 650., 650., 650., 714., 740., 710., 717.,
737., 740., 660., 705., 725., 650., 710., 703., 700., 650.])]
CuSearray = [array([ 0.46395015, 0.30287259, 0.43496888, 0.46931773, 0.47685844,
0.44894925, 0.50727844, 0.45076198, 0.44977095, 0.41455029,
0.38089693, 0.98174953, 0.48600461, 0.65466528, 0.40563053,
0.22990327, 0.54372179, 0.43143358, 0.92515847, 0.73701742,
0.64152173, 0.52708783, 0.51794063, 0.49 , 0.48878252,
0.45119732, 0.2190089 , 0.43470776, 0.43509758, 0.52697697,
0.21576805, 0.32913721, 0.48828072, 0.62201997, 0.71442359,
0.55454867, 0.50981136, 0.48212956, 0.46 , 0.45732419,
0.43402525, 0.40290777, 0.38594786, 0.36777306, 0.36517926,
0.29880924])]
PFarray = [array([ 384., 285., 280., 274., 185., 185., 184., 184., 184.,
184., 184., 181., 110., 100., 100., 100., 85., 85.,
84., 84., 84., 84., 84., 84., 84., 84., 84.,
84., 84., 84., 84., 84., 27., 20., 5., 5.,
1., 0., 0., 0., 0., 0., 0., 0., 0., 0.])]
rf85growthTarray = [array([ 730., 705., 690., 705., 680., 715., 705., 670., 705.,
705., 650., 725., 725., 650., 650., 650.])]
rf85CuSearray = [array([ 0.54372179, 0.43143358, 0.92515847, 0.73701742, 0.64152173,
0.52708783, 0.51794063, 0.49 , 0.48878252, 0.45119732,
0.2190089 , 0.43470776, 0.43509758, 0.52697697, 0.21576805,
0.32913721])]
rf85PFarray = [array([ 85., 85., 84., 84., 84., 84., 84., 84., 84., 84., 84.,
84., 84., 84., 84., 84.])]
rf85CurrentsArray = [array([ 0.54372179, 0.43143358, 0.92515847, 0.73701742, 0.64152173,
0.52708783, 0.51794063, 0.49 , 0.48878252, 0.45119732,
0.2190089 , 0.43470776, 0.43509758, 0.52697697, 0.21576805,
0.32913721])]
Datavmax = max(max(CurrentsArray))
Datavmin = min(min(CurrentsArray))
plt.subplot(121)
plt.scatter(growthTarray, CuSearray, PFarray, CurrentsArray, vmin=Datavmin, vmax=Datavmax, alpha=0.75)
plt.colorbar()
plt.xlim(600,760)
plt.ylim(0,2.5)
plt.subplot(122)
plt.scatter(rf85growthTarray, rf85CuSearray, rf85PFarray, rf85CurrentsArray, vmin=Datavmin, vmax=Datavmax, alpha=0.75)
plt.colorbar()
plt.xlim(600,760)
plt.ylim(0,2.5)
plt.show()
最后,输出:
请注意,这不是我工作的完美输出,但我并没有花费精力使其完美。然而重要的是:您将在图之间识别出相同的数据点 不包含相同颜色 根据上面使用的 vmin vmax 应该是这种情况(如 Tom 的代码所示)。
疯了吧。:( 我确实希望有人能为我阐明这一点!我确信我的代码不是那么好,所以请不要担心我的代码会冒犯!!
给任何能提出前进建议的人额外一袋火热的奇多。-艾伦
更新 - Tom10 发现了问题 - 我无意中为我的一个子数组使用了错误的数据,导致这些值给出了与预期不同的颜色级别(即,我的数据是错误的!)为此向 Tom 表示大力支持 - 我希望我能给他另一个-投票,但由于我提出这个问题的方法,我不能(对不起汤姆!)
另请参阅他在下面提到的数据位置绘制文本的精彩示例。