如何将 3D 数组正确转换为 2D 数组以便正确绘制？

Question

请注意，我也在使用 StandardScaler。我不确定这是否会影响任何事情。我可以尝试为此提供可重现的代码，但也许没有必要。这可能只是一件麻木的事情。

import numpy as np

x = np.random.rand(60,60,1)

现在我们绘制它，以查看图像。

cs = plt.imshow(x)
plt.colorbar()
plt.show()

我们使用 imshow 执行此操作，它确实接受 3D 数组。不过，我们需要使用仅接受 2D 数组的 contourf。

x = x.reshape(1, 60*60)

现在，我想绘制这个，所以我想把它放到(60,60)。但是如果我只是重新整形回(60,60)，图像就会失真。

x = x.reshape(60,60)
cs = plt.contourf(x)
plt.colorbar()
plt.show()

我特别要求对其进行重塑，以便 1. 它与第一张图像相同，以及 2. 可以使用 contourf 完成，因为这是唯一可以使用自定义颜色条的功能据我所知。可以看到图像不同，因为每个颜色条上的最大值不同（0.8 vs 1.05）

Answer 1

您的问题涉及多个不同的主题，如果更具体一些会有所帮助。

首先，关于形状，我总是尽量避免（手动）重新塑造自己，这很容易出错，并且需要对形状进行硬编码或使用 x.shape 之类的东西来检索它。

在这种情况下，您可以使用以下方法简单地删除多余的“band”维度：
x = np.squeeze(x)

这让 Numpy 完成工作，并保持其他维度不变。

其次，请注意imshow 和contourf 具有不同的默认来源。您可以在帖子中看到这一点，因为与另一张图像相比，一张图像是垂直翻转的。如果您在随机数组中引入一些“工件”，这将变得很明显。 如果您想对此进行控制，您可以自己明确定义来源。

最后，contourf 的颜色是通过为两者之间的值指定一个范围（低、高）来获得特定颜色的。这与使用imshow 时更连续的映射相比有些不同。但是您可以将BoundaryNorm 传递给imshow 以使其行为类似于contourf。

样本数据：

x = np.random.rand(20, 20, 1)
x[2:8, 2:8] += 0.4
x = np.clip(x, 0, 1)
x = np.squeeze(x)

颜色图和规范化器：

cmap = plt.cm.viridis
bounds = np.linspace(0, 1, 11)
norm = mpl.colors.BoundaryNorm(bounds, cmap.N)

绘制结果：

fig, (ax1, ax2) = plt.subplots(
    1,2, figsize=(10,5), constrained_layout=True, 
    subplot_kw=dict(xticks=[], yticks=[], aspect=1),
)

im = ax1.imshow(x, cmap=cmap, norm=norm, origin='upper')
cb = fig.colorbar(im, ax=ax1, orientation='horizontal', shrink=0.5, spacing='proportional')

cs = ax2.contourf(x, cmap=cmap, norm=norm, levels=bounds, origin='upper')
cb = fig.colorbar(cs, ax=ax2, orientation='horizontal', shrink=0.5, spacing='proportional')

contourf 的插值会稍微“侵蚀”高点和低点，使其看起来对比度/范围略小。

Answer 2

我使用plt.clim(0,1.05) 更改颜色条范围。 这是你的答案吗？

import numpy as np

x = np.random.rand(60,60,1)

cs = plt.imshow(x)
plt.colorbar()
print(x.shape)
plt.show()

x = x.reshape(1, 60*60)

x = x.reshape(60,60)

cs = plt.imshow(x)
plt.colorbar()
plt.clim(0,1.05)
print(x.shape)
plt.show()

EDIT 如您在输出 3d 中看到的，2d 形状图相同：

Answer 3

您可以使用：plt.gca().set_aspect(1)

如果数组不是方形的，或者更通用的方式：plt.gca().set_aspect(x.shape[1]/x.shape[0])