Penormalan Peta Warna Matplotlib: Memvisualisasikan Data Tak Linear

pengenalan

Dalam visualisasi data, peta warna digunakan untuk mewakili data berangka melalui warna. Walau bagaimanapun, kadangkala pengedaran data mungkin tidak linear, yang boleh menyukarkan untuk membezakan butiran data. Dalam kes sedemikian, penormalan peta warna boleh digunakan untuk memetakan peta warna pada data dalam cara tidak linear untuk membantu menggambarkan data dengan lebih tepat. Matplotlib menyediakan beberapa kaedah normalisasi, termasuk SymLogNorm dan AsinhNorm, yang boleh digunakan untuk menormalkan peta warna. Makmal ini akan menunjukkan cara menggunakan SymLogNorm dan AsinhNorm untuk memetakan peta warna pada data tak linear.

Petua VM

Selepas permulaan VM selesai, klik penjuru kiri sebelah atas untuk beralih ke tab Buku Nota untuk mengakses Buku Nota Jupyter untuk latihan.

Kadangkala, anda mungkin perlu menunggu beberapa saat untuk Buku Nota Jupyter selesai memuatkan. Pengesahan operasi tidak boleh diautomasikan kerana pengehadan dalam Buku Nota Jupyter.

Jika anda menghadapi masalah semasa pembelajaran, sila tanya Labby. Berikan maklum balas selepas sesi, dan kami akan segera menyelesaikan masalah untuk anda.

Import Perpustakaan Diperlukan

Dalam langkah ini, kami akan mengimport pustaka yang diperlukan, termasuk warna Matplotlib, NumPy dan Matplotlib.

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

Buat Data Sintetik

Dalam langkah ini, kami akan mencipta set data sintetik yang terdiri daripada dua bonggol, satu negatif dan satu positif, dengan bonggol positif mempunyai amplitud lapan kali lebih besar daripada bonggol negatif. Kami kemudiannya akan menggunakan SymLogNorm untuk menggambarkan data.

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

Gunakan SymLogNorm

Dalam langkah ini, kami akan menggunakan SymLogNorm pada data sintetik dan memvisualisasikan hasilnya.

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()

Gunakan AsinhNorm

Dalam langkah ini, kami akan menggunakan AsinhNorm pada data sintetik dan memvisualisasikan hasilnya.

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()

Ringkasan

Dalam makmal ini, kami mempelajari cara menggunakan SymLogNorm dan AsinhNorm untuk memetakan peta warna pada data tak linear. Dengan menggunakan kaedah penormalan ini, kami dapat menggambarkan data dengan lebih tepat dan membezakan butiran data dengan lebih mudah.

---

? Amalkan Sekarang: Penormalan Peta Warna Matplotlib

---

Ingin Ketahui Lebih Lanjut?

• ? Ketahui Pokok Kemahiran Python terkini
• ? Baca Lagi Tutorial Python
• ? Sertai Discord kami atau tweet kami @WeAreLabEx

Atas ialah kandungan terperinci Penormalan Peta Warna Matplotlib: Memvisualisasikan Data Tak Linear. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!