更改颜色和线条样式

自定义线图和散点图的外观对于有效的数据可视化至关重要。更改颜色和线条样式对于区分同一图表上的多个数据集、突出显示特定信息，或仅是提高可视化效果的视觉吸引力和清晰度非常重要。Matplotlib 提供了灵活的选项来控制这些元素。

指定颜色

Matplotlib 支持多种颜色格式。设置颜色最常用的方法是在 plt.plot() 或 plt.scatter() 等绘图函数中使用 color 参数 (parameter)。

以下是定义颜色的主要方式：

1. 命名颜色： 您可以使用常见的颜色名称作为字符串。Matplotlib 能够识别多种标准的 HTML/CSS 颜色名称。

   • 示例：'blue'、'green'、'red'、'cyan'、'magenta'、'yellow'、'black'、'white'

2. 短颜色代码： 为方便起见，单个字母被指定为最常见的颜色。

   • 'b': 蓝色
   • 'g': 绿色
   • 'r': 红色
   • 'c': 青色
   • 'm': 品红色
   • 'y': 黄色
   • 'k': 黑色
   • 'w': 白色

3. 十六进制代码： 使用 RGB 十六进制字符串指定颜色，类似于网页设计中使用的格式。

   • 示例：'#FF5733'（一种橙色），'#33FFCE'（一种青绿色），'#3361FF'（一种蓝色）

4. RGB 或 RGBA 元组： 将颜色定义为红、绿、蓝值的元组，每个值是 0 到 1 之间的浮点数。您可以选择添加第四个值 Alpha，用于表示透明度（0=完全透明，1=完全不透明）。

   • 示例：(0.2, 0.4, 0.6)（一种灰蓝色），(0.2, 0.4, 0.6, 0.5)（相同颜色，但半透明）

5. 灰度强度： 一个表示 0（黑色）到 1（白色）之间浮点数的字符串。

   • 示例：'0.75'（浅灰色）

我们来看看如何在 plt.plot() 中应用这些设置：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建图表和坐标轴
fig, ax = plt.subplots()

# 使用命名颜色绘制 y1
ax.plot(x, y1, color='red', label='正弦 (命名颜色)')

# 使用十六进制代码绘制 y2，并使用 alpha 指定透明度
ax.plot(x, y2, color='#3361FF', alpha=0.7, label='余弦 (十六进制 + Alpha)')

# 添加标签和图例
ax.set_xlabel("X 值")
ax.set_ylabel("Y 值")
ax.set_title("自定义颜色的图表")
ax.legend() # 显示标签

plt.show()

更改线条样式

对于使用 plt.plot() 创建的线图，您可以使用 linestyle（或其简写 ls）参数 (parameter)来更改线条的样式。这在绘制多条线并需要区分它们时特别有用，无需仅依赖颜色，尤其适用于黑白打印。

常见的线条样式包括：

• '-' or 'solid': 实线 (默认)
• '--' or 'dashed': 虚线
• '-.' or 'dashdot': 点划线
• ':' or 'dotted': 点线
• 'None' or ' ' or '': 不绘制

这是一个展示不同线条样式的示例：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.linspace(0, 10, 50)
y1 = x
y2 = x + 1
y3 = x + 2
y4 = x + 3

# 创建图表和坐标轴
fig, ax = plt.subplots()

# 绘制不同线条样式的数据
ax.plot(x, y1, linestyle='-', color='blue', label='实线 (-)')
ax.plot(x, y2, linestyle='--', color='green', label='虚线 (--)')
ax.plot(x, y3, linestyle='-.', color='red', label='点划线 (-.)')
ax.plot(x, y4, linestyle=':', color='black', label='点线 (:)')

# 添加标签和图例
ax.set_xlabel("X 值")
ax.set_ylabel("Y 值")
ax.set_title("不同线条样式的图表")
ax.legend()

plt.show()

添加标记 (token)

有时，尤其是在表示离散数据点的线图中，在每个数据点上显示标记会很有帮助。您也可以单独使用标记，就像在散点图中一样。marker 参数 (parameter)控制每个点上使用的形状。

常见的标记样式包括：

• '.': 点标记
• ',': 像素标记
• 'o': 圆形标记
• 'v': 向下三角形标记
• '^': 向上三角形标记
• '<': 向左三角形标记
• '>': 向右三角形标记
• 's': 正方形标记
• 'p': 五边形标记
• '*': 星形标记
• 'h': 六边形1标记
• 'H': 六边形2标记
• '+': 加号标记
• 'x': X形标记
• 'D': 菱形标记
• 'd': 细菱形标记
• '|': 垂直线标记
• '_': 水平线标记

您可以在 plt.plot() 中组合线条样式和标记：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.arange(1, 6) # 1, 2, 3, 4, 5
y1 = x**2
y2 = x*3

# 创建图表和坐标轴
fig, ax = plt.subplots()

# 绘制带线条样式和标记的图表
ax.plot(x, y1, color='indigo', linestyle='--', marker='o', label='y = x^2')
ax.plot(x, y2, color='teal', linestyle=':', marker='s', label='y = 3x')

# 添加标签和图例
ax.set_xlabel("输入")
ax.set_ylabel("输出")
ax.set_title("带标记的线条")
ax.legend()

plt.show()

对于 plt.scatter()，主要视觉元素就是标记，因此您主要控制其 color、marker 形状和 s（大小）。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.random.rand(30)
y = np.random.rand(30)
sizes = np.random.rand(30) * 300 # 标记的随机大小
colors = np.random.rand(30) # 颜色映射的随机值

# 创建图表和坐标轴
fig, ax = plt.subplots()

# 创建带有自定义标记、大小和颜色的散点图
# 使用颜色映射 (cmap) 将 'colors' 数组映射到实际颜色
scatter = ax.scatter(x, y, s=sizes, c=colors, marker='*', cmap='viridis', alpha=0.7)

# 添加颜色条以显示映射
fig.colorbar(scatter, label='颜色强度')

# 添加标签和标题
ax.set_xlabel("X 坐标")
ax.set_ylabel("Y 坐标")
ax.set_title("自定义标记的散点图")

plt.show()

格式字符串（简写）

Matplotlib 允许通过将格式字符串作为第三个参数 (parameter)传递给 plt.plot()，以一种简洁的方法同时指定颜色、标记 (token)和线条样式。格式通常是 [颜色][标记][线条]。

例如：

• 'ro--': 红色 (r)，圆形标记 (o)，虚线 (--)
• 'gs:': 绿色 (g)，方形标记 (s)，点线 (:)
• 'k.': 黑色 (k)，点标记 (.)，无线条

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.linspace(0, 10, 20)
y1 = x
y2 = 10 - x

# 创建图表和坐标轴
fig, ax = plt.subplots()

# 使用格式字符串绘制
ax.plot(x, y1, 'bo-', label='蓝色实心圆 (bo-)') # 蓝色，圆形，实线
ax.plot(x, y2, 'gd:', label='绿色点状菱形 (gd:)') # 绿色，菱形，点线

# 添加标签和图例
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_title("使用格式字符串绘图")
ax.legend()

plt.show()

虽然格式字符串很紧凑，但明确使用 color、linestyle 和 marker 参数通常能使您的代码更具可读性，尤其是在绘制复杂图表或与他人协作时。

通过掌握这些自定义选项，您可以显著提升 Matplotlib 可视化效果，使其不仅更具美感，也更易于理解。