阿里万网站建设怎么创建视频号

阿里万网站建设,怎么创建视频号,三水建设网站,做网站的软件叫什么原文#xff1a;towardsdatascience.com/how-to-create-custom-color-palettes-in-matplotlib-discrete-vs-linear-colormaps-explained-cfe4c5ba1215 如果有一件事能让好图表变得出色#xff0c;那就是颜色选择。 您可以使用 Matplotlib 将任何一组十六进制颜色代码转换为颜…原文towardsdatascience.com/how-to-create-custom-color-palettes-in-matplotlib-discrete-vs-linear-colormaps-explained-cfe4c5ba1215如果有一件事能让好图表变得出色那就是颜色选择。您可以使用 Matplotlib 将任何一组十六进制颜色代码转换为颜色调色板本文将向您展示如何操作。您还将了解离散和线性颜色调色板之间的区别以及为什么一个比另一个更好。如果您想要获得与我相同的数据可视化质量请在继续之前先遵循本文中的步骤现在必须立即更改的 3 个关键事项以使您的图表脱颖而出如何在 Matplotlib 中创建自定义颜色映射这些是您需要跟踪的库importnumpyasnpimportpandasaspdimportmatplotlibasmplimportmatplotlib.pyplotaspltMatplotlib 允许您创建两种类型的颜色调色板离散– 调色板具有有限数量的颜色值。非常适合分类数据但您需要确保调色板中的颜色数量至少与您具有的不同类别数量相同。线性连续– 调色板具有“无限”数量的值。非常适合连续和分类数据。您可以指定两种颜色调色板将自动包含它们之间的所有值例如Photoshop 中的渐变。要在 Matplotlib 中创建离散颜色调色板请运行以下代码cmap_discretempl.colors.ListedColormap(namediscrete-monochromatic-blue,colors[#051923,#003554,#006494,#0582ca,#00a6fb])cmap_discretehttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/29a685bbb385aaaaccbda2505da3ef22.png图像 1 – 离散颜色映射作者图片要创建一个线性连续颜色调色板请运行以下代码片段cmap_linearmpl.colors.LinearSegmentedColormap.from_list(namelinear-monochromatic-blue,colors[#051923,#003554,#006494,#0582ca,#00a6fb])cmap_linearhttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/3a000093508d34bd6ad817afe883f10d.png图像 2 – 线性颜色映射作者图片你可以看到离散调色板有 5 种不同的颜色而线性调色板则包含一个连续的值范围。可视化数据时有什么区别这正是你接下来要学习的。对比 – 连续数据上的离散与线性颜色映射在本节中您将创建一个 0.0, 1.0)范围内的随机数字 10×10 矩阵并将其可视化为图像。运行以下代码片段来创建数据datanp.random.random(100).reshape(10,10)datahttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/dc779f7d2c36992de6e20b1e5c918d2c.png图像 4 – 离散与线性颜色映射作者图片基础数据是相同的但左侧的图表可以占用多达 5 种可能的颜色值。右侧的图表范围更广。总结– 线性调色板可以用来可视化连续和分类数据而离散调色板只能做到后者且不会丢失信息。实际图表 – 如何为你的图表添加自定义颜色你现在将看到如何将自定义调色板应用于 Matplotlib 的条形图。首先复制以下代码片段以创建跨越 10 个部门和 5 个办公地点的模拟员工数量数据dfpd.DataFrame({HR:[50,63,40,68,35],Engineering:[77,85,62,89,58],Marketing:[50,35,79,43,67],Sales:[59,62,33,77,72],Customer Service:[31,34,61,70,39],Distribution:[35,21,66,90,31],Logistics:[50,54,13,71,32],Production:[22,51,54,28,40],Maintenance:[50,32,61,69,50],Quality Control:[20,21,88,89,39]},index[New York,San Francisco,Los Angeles,Chicago,Miami])dfdf.T dfdf.loc[df.sum(axis1).sort_values().index]dfhttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/993b6306b461a2ca75352b9741f108a9.png图像 5 – 自定义员工数据集作者图片由于有 5 个办公地点我们的离散调色板有 5 种颜色这对于可视化来说是一个完美的匹配。在plot()函数中你需要了解的唯一新参数是colormap。你必须提供你的调色板变量。我已经为每个条形段添加了员工数量但考虑这部分是可选的axdf.plot(kindbarh,colormapcmap_discrete,width0.8,edgecolor#000000,stackedTrue)forcontainerinax.containers:ax.bar_label(container,label_typecenter,fontsize10,color#FFFFFF,fontweightbold)plt.title(Employee Count Per Location And Department,locleft,fontdict{weight:bold},y1.06)plt.xlabel(Office Location)plt.ylabel(Count)plt.show()https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/a40575f9466cf63d56f8267973b5e1ec.png图像 6 – 带自定义离散调色板的堆叠水平条形图作者图片看起来不错不是吗在比较这种可视化中的离散和线性调色板时你不应该看到任何差异。为什么因为离散调色板有 5 种颜色而你的数据中有 5 组。尽管如此让我们定义一个函数来比较两种调色板类别defplot_employee_count_comparison(df,cmap1,cmap2):_,(ax1,ax2)plt.subplots(1,2,figsize(18,7),sharexTrue,shareyTrue)df.plot(kindbarh,colormapcmap1,width0.8,edgecolor#000000,stackedTrue,axax1)forcontainerinax1.containers:ax1.bar_label(container,label_typecenter,fontsize10,color#FFFFFF,fontweightbold)ax1.set_title(Employee Count (Discrete Colormap),locleft,fontdict{weight:bold},y1.06)ax1.set_xlabel(Count)ax1.set_ylabel(Department)df.plot(kindbarh,colormapcmap2,width0.8,edgecolor#000000,stackedTrue,axax2)forcontainerinax2.containers:ax2.bar_label(container,label_typecenter,fontsize10,color#FFFFFF,fontweightbold)ax2.set_title(Employee Count (Linear Colormap),locleft,fontdict{weight:bold},y1.06)ax2.set_xlabel(Count)ax2.set_ylabel(Department)# Adjust layoutplt.tight_layout()plt.show()plot_employee_count_comparison(dfdf,cmap1cmap_discrete,cmap2cmap_linear)https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/92c21225b58bdde2ba4a33f185d459ed.png图像 7 – 离散与线性色图相同结果作者图片两个图表是相同的。但情况并不总是这样。当你在离散调色板中颜色少于类别时会发生什么好问题。让我们通过扩展 Pandas DataFrame 来包括两个额外的办公地点来回答它dfpd.DataFrame({HR:[50,63,40,68,35,44,31],Engineering:[77,85,62,89,58,56,59],Marketing:[50,35,79,43,67,31,24],Sales:[59,62,33,77,72,55,66],Customer Service:[31,34,61,70,39,49,81],Distribution:[35,21,66,90,31,67,81],Logistics:[50,54,13,71,32,58,51],Production:[22,51,54,28,40,41,62],Maintenance:[50,32,61,69,50,49,41],Quality Control:[20,21,88,89,39,66,32]},index[New York,San Francisco,Los Angeles,Chicago,Miami,Las Vegas,Boston])dfdf.T dfdf.loc[df.sum(axis1).sort_values().index]dfhttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/0761cc0a1ef3f43a896843e56e8a741c.png图像 8 – 自定义员工数据集2作者图片理论上离散调色板应该会失败因为它只有 5 种颜色值而数据集有 7 个类别。让我们使用plot_employee_count_comparison()函数来查看差异plot_employee_count_comparison(dfdf,cmap1cmap_discrete,cmap2cmap_linear)https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/8aafb8da5c60ffacf5c011dfefdfa3d7.png图像 9 – 离散与线性色图不同结果作者图片左侧的图表不可用。只看第一列的员工数量组合77, 85和56, 59。它们使用的是相同的颜色Matplotlib 使用图表中心的颜色边缘则取自邻近的点。简而言之不是你想要的。即使只使用两种颜色构建线性颜色调色板也不会出现这类问题。总结总结来说自定义颜色调色板可能是你的图表需要的使其成为值得发表的图表。此外如果你在一家公司工作很可能他们已经定义了一套颜色。从一开始就使用它们是确保至少减少一次提交迭代的可靠方法。Matplotlib 使得创建自定义的离散和线性颜色调色板变得轻而易举。两者都可以用于分类数据但只有后者在连续数据上才能正常工作。在这个用例中离散颜色调色板是过时的因为你可以用线性调色板得到相同的结果甚至更多。你最喜欢的数据可视化颜色组合是什么请在下面的评论部分分享。想要提升你的数据可视化技能加入我的 Substack与成千上万志同道合的人一起获取专家建议和独家内容。使用 Python 进行数据涂鸦 | 达里奥·拉德齐克 | Substack最初发布于darioradecic.substack.com。