使用 plt.colorbar() 时在 matplotlib 中定义自定义标准化函数

Question

要使用 matplotlib 颜色条，必须使用 的matplotlib.cm.ScalarMappable子类中的对象指定matplotlib.colors.Normalize，从中colorbar可以知道如何将数据标准化为 [0,1] 浮点值。

matplotlib 只提供了几种归一化过程，线性归一化，对数，幂律等。但在实践中，我们可能想使用我们自己编写的其他归一化函数。

我们可以使用任何函数将数据数组规范化为 [0,1]，但如果不使用子类Scalarmappable构建Nomalization，颜色条将不会有正确的刻度和标签。

我想知道我对 matplotlib colorbar 的理解是正确的还是有其他方法可以很容易地做到这一点？或者也许我们必须手动编写一个子类来包装自定义规范化函数？

Answer 1

matplotlib.colors.Normalize为此，您可以轻松地进行子类化。这是我为之前的 SO 问题编写的分段标准化类的示例：

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

class PiecewiseNorm(Normalize):
    def __init__(self, levels, clip=False):
        # input levels
        self._levels = np.sort(levels)
        # corresponding normalized values between 0 and 1
        self._normed = np.linspace(0, 1, len(levels))
        Normalize.__init__(self, None, None, clip)

    def __call__(self, value, clip=None):
        # linearly interpolate to get the normalized value
        return np.ma.masked_array(np.interp(value, self._levels, self._normed))

    def inverse(self, value):
        return 1.0 - self.__call__(value)

例如：

y, x = np.mgrid[0.0:3.0:100j, 0.0:5.0:100j]
H = 50.0 * np.exp( -(x**2 + y**2) / 4.0 )
levels = [0, 1, 2, 3, 6, 9, 20, 50]

H1 = -50.0 * np.exp( -(x**2 + y**2) / 4.0 )
levels1 = [-50, -20, -9, -6, -3, -2, -1, 0]

fig, ax = plt.subplots(2, 2, gridspec_kw={'width_ratios':(20, 1), 'wspace':0.05})

im0 = ax[0, 0].contourf(x, y, H, levels, cmap='jet', norm=PiecewiseNorm(levels))
cb0 = fig.colorbar(im0, cax=ax[0, 1])
im1 = ax[1, 0].contourf(x, y, H1, levels1, cmap='jet', norm=PiecewiseNorm(levels1))
cb1 = fig.colorbar(im1, cax=ax[1, 1])

plt.show()