一文玩转Seaborn热力图中调色板设置

1.引言

在前文中我们介绍了如何利用Seaborn绘制热力图，并详细介绍了各种热力图中的控制条件。本文重点介绍如何控制绘制热力图中的调色板。

闲话少说，我们直接开始吧！

2.举个栗子

我们首先来看个上一节的栗子，代码如下：

import numpy as np
import seaborn as sb
import matplotlib.pyplot as plt
​
data = np.random.rand(4, 6)
heat_map = sb.heatmap(data, cmap="YlGnBu")
plt.show()

运行后结果如下：

观察上述代码，其中cmap="YlGnBu", 表示以下调色板：

事实上，在Seaborn库中，一共有三类调色板，顺序调色板，发散调色板以及调色函数控制；接下来我们针对上述三种方式进行讲解。

3.顺序调色板

当要展示的数据的范围从低到高时，可以使用sequential color map顺序调色板。顺序调色板的颜色码可以与函数heatmap()或函数kdeplot()一起使用。

顺序调色板的颜色码总结如下：

此外，除了上述调色板之外，还可以使用cubehelix调色方案，它使用cubehelix算法生成一系列颜色，用于在数据可视化中表示连续变量的顺序变化。Cubehelix 是由 Green 于 2005 年提出的一种颜色映射方法，它在色相、亮度和饱和度三个维度上提供平滑的渐变，非常适合用于展示数据的顺序变化。该调色板如下所示：

我们开看个具体栗子，代码如下：

heat_map = sb.heatmap(data, cmap="cubehelix")
plt.show()

运行后结果如下：

4.发散调色板

发散调色板Diverging color palette是一种在数据可视化中用来表示两个极端值之间变化的颜色方案。这种色板通常调色板的两侧选择两种对比色，然后在两者之间通过一系列渐变色来表示中间值。

发散调色板非常适合用来展示具有两个显著不同极端的数据，如温度变化、正负差异、数据的偏差等。

我们通过以下代码，来观察该调色板的具体颜色调色方案，如下：

import seaborn as sb
import matplotlib.pyplot as plt
sb.palplot(sb.diverging_palette(200, 0, n=11))
plt.show()

这里，200是调色板左侧的值，0是调色板右侧的值。变量n定义了颜色块的数量。在我们的例子中，该值为11。运行上述代码后，得到结果如下所示：

我们在针对该调色方案举个例子，代码如下：

mycolor=sb.diverging_palette(200,0,n=11)
data=np.array(
  [
    [0,  25,  50,  75, 100, 125],
    [25, 50,  75, 100, 125, 150],
    [50, 75, 100, 125, 150, 175],
    [75,100, 125, 150, 175, 200]
  ]
)
heatmap=sb.heatmap(data,cmap=mycolor)
plt.show()

运行后结果如下：

5.调色函数控制

在Python的matplotlib库中，mpl_palette是一个用于生成和操作颜色的模块。它允许用户创建和修改颜色映射，这些颜色映射可以用于图表、图像和其他可视化元素中。

matplotlib提供了许多预定义的颜色映射，举例如下：

• viridis：一种蓝绿色渐变的调色板
• plasma： 一种从橙色到黄色再到紫色的渐变调色板
• inferno：一种从黄色到红色再到黑色的渐变调色板
• magma：一种从蓝色到红色的渐变调色板
• cividis：一种从蓝色渐变到绿色再到黄色

我们来看个几个栗子，如下：

import seaborn as sb
import matplotlib.pyplot as plt
sb.mpl_palette("viridis")
plt.show()

运行后结果如下：

sb.mpl_palette("viridis", 8)
plt.show()

运行后结果如下：

sns.mpl_palette("Set2", 10)
plt.show()

运行后结果如下：

6.总结

本文重点介绍了在Seaborn库中调整绘制热力图控制调色板的三种方法，并给出了相应的介绍。使用这些方法可以可以游刃有余的来控制绘制图像的颜色。

您学废了嘛！