使用 plt.colorbar() 时在 matplotlib 中定义自定义归一化函数

Question

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

matplotlib 提供的归一化过程只有几个，线性归一化，对数，幂律等。但在实践中，我们可能希望使用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标准化为 [0,1]，但如果没有使用 Nomalization 子类构建的 Scalarmappable，颜色条将不会正确显示刻度和标签。

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

为此，您可以轻松地继承 matplotlib.colors.Normalize。这是我为previous SO question 编写的分段规范化类的示例：

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()

Answer 2

感谢@ali_m 的想法，几天后我想我有了一个想法，即使用any 规范化函数y=func(x) 定义一个自定义Normalization 子类。基本上用任何func(self._levels) 给出的规范化值替换私有成员self._normed。并且在初始化子类时，必须将函数挂钩赋予规范化函数func。但请确保func 必须是真正的规范化。

以下代码的灵感来自@ali_m 的回答：

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

class CustomNorm(Normalize):
    def __init__(self, levels, func, clip=None):
        # input levels
        self._levels = np.linspace(min(levels), max(levels), 10)
        # corresponding normalized values between 0 and 1
        self._normed = func(self._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)

def func(x):
    # whatever function, just normalise x into a sub-field of [0,1], 
    # it can be even [0,0.5]
    return x/50.0/2.0

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]
# levels = [0, 50]

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

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

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

plt.show()