norm=logNorm（）

`logNorm()` 是 `matplotlib.colors` 模块中提供的一个归一化方法，全称为对数归一化（Logarithmic Normalization）。这种归一化方式主要用于处理那些数据分布呈现出幂律或对数形式的数据，例如在科学或工程领域常见的指数衰减或者增长的现象。

当你在绘制图像或等高线图时，如果数据存在很大的动态范围，标准的线性归一化可能导致某些区域的细节难以辨识。通过使用 `LogNorm()`, 数据会被转换成对数值再进行归一化，使得整个范围内的变化更为均匀，特别适合于展示那些分布曲线呈现出长尾效应（如泊松分布）的数据。

在使用 `logNorm()` 时，你需要提供两个额外的参数：`vmin` 和 `vmax`，分别代表你要转换的最小和最大值。例如：

import matplotlib.pyplot as plt
from matplotlib import colors

fig, ax = plt.subplots()
cax = ax.imshow(array_data, cmap='coolwarm', norm=colors.LogNorm(vmin=1, vmax=max_value))

这里，`array_data` 是你的数据矩阵，`max_value` 是原数据的最大值。这样设置之后，颜色编码会基于对数尺度，而不是线性尺度，有助于突出显示关键的变化部分。

相关问题

# 总体分布概况（无界约翰逊分布等） y = Test_data['price'] sns.displot(y, kde=False, stat='density', height=6, aspect=2, rug=False, fit=st.johnsonsu) sns.displot(y, kde=False, stat='density', height=6, aspect=2, rug=False, fit=st.norm) sns.displot(y, kde=False, stat='density', height=6, aspect=2, rug=False, fit=st.lognorm) plt.show()。raise AttributeError( AttributeError: Rectangle.set() got an unexpected keyword argument 'fit'

这个错误是由于在使用 `sns.displot()` 函数时指定了 `fit` 参数，但这个参数在 `Rectangle` 对象中是没有定义的。解决方法是将 `fit` 参数从 `sns.displot()` 中移除，或者使用其他可接受 `fit` 参数的绘图函数。例如，您可以将 `sns.displot()` 替换为 `sns.histplot()`，然后在其中使用 `fit` 参数。

contourf norm参数

`norm` 参数用于指定等高线图的颜色映射归一化方式，它可以取以下两种类型之一：

- `matplotlib.colors.Normalize` 对象：表示使用自定义的归一化方式。可以通过 `matplotlib.colors.Normalize` 类的子类（例如 `matplotlib.colors.LogNorm`、`matplotlib.colors.PowerNorm` 等）来指定不同的归一化方式，或者通过自定义归一化函数来实现自定义的归一化方式。

- 字符串：表示使用默认的归一化方式。可以是以下字符串之一：

- `'linear'`：表示使用线性归一化方式，即将数据范围映射到 [0, 1] 的范围内。

- `'log'`：表示使用对数归一化方式，即将数据范围的对数映射到 [0, 1] 的范围内。

- `'symlog'`：表示使用对数归一化方式，但可以对数据范围的中央部分进行线性缩放。需要指定一个参数 `linthresh`，表示线性缩放的阈值。

- `'power'`：表示使用幂函数归一化方式，即将数据范围的幂函数映射到 [0, 1] 的范围内。需要指定一个参数 `gamma`，表示幂函数的指数。

- `'none'`：表示不进行归一化，即颜色映射范围等于数据范围。

下面是一个使用 `LogNorm` 归一化方式的例子：

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

x = np.linspace(-5, 5, 101)
y = np.linspace(-5, 5, 101)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

fig, ax = plt.subplots()
levels = np.linspace(-1, 1, 21)
norm = LogNorm(vmin=0.01, vmax=1)
cs = ax.contourf(X, Y, Z, levels=levels, norm=norm, cmap='coolwarm')
fig.colorbar(cs, ax=ax)

plt.show()

在这个例子中，我们使用 `LogNorm` 归一化方式，将颜色映射范围映射到一个对数尺度上。需要注意的是，由于数据中有负数，因此我们需要将数据转换为非负数。具体来说，我们使用 `np.sin` 函数对数据进行映射，将数据范围限制在 [-1, 1] 之间。然后，我们将等高线图分成 21 层，并使用 `coolwarm` 颜色映射表进行填充。最后，我们在图形右侧添加了一个颜色条，用于显示颜色映射关系。