python matplotlib.pyplot 中有哪些预设的cmap

色彩映射(colormap)？

常见的预设色彩映射有:

1. viridis
2. magma
3. plasma
4. inferno
5. cividis
6. jet
7. autumn
8. bone
9. cool
10. copper
11. flag
12. gray
13. hot
14. hsv
15. jet
16. ocean
17. pink
18. prism
19. spring
20. summer
21. winter

相关问题

import matplotlib.pyplot as plt import seaborn as sns sns.color_palette("tab10") color = sns.color_palette('tab10') node = [i for i in zyd]

这段代码导入了常用的绘图库`matplotlib.pyplot`和`seaborn`，`seaborn`用于增强数据可视化的效果。`sns.color_palette("tab10")`命令设置了`seaborn`的基本配色方案，这里是“tab10”主题，共包含10种颜色。

然后创建了一个名为`color`的变量，它是一个列表，包含了`sns.color_palette('tab10')`生成的10种颜色。在这里，`zyd`似乎是一个列表，表示某种数据，`[i for i in zyd]`则是将`zyd`中的每个元素提取出来形成一个新的列表，新列表的元素与颜色一一对应。

这样的设置通常会在做图表的时候用到，比如当你需要给数据的不同类别或组别分配不同的颜色时，可以使用这个预设的颜色序列。

例如，在绘制散点图或柱状图时，可以用这些颜色来区分不同的数据点或类别：

plt.scatter(x_data, y_data, c=color, cmap='tab10', label=categories)

这里`x_data`, `y_data`是数据点的位置坐标，`categories`是对应的分类标签，`c`参数指定了颜色，`cmap`则设置了颜色映射方案。

python matplotlib 优化润色

### 如何优化和润色 Python Matplotlib 图表

#### 选择合适的图表类型
不同的数据集适合不同类型的图表。例如，折线图适用于显示趋势；柱状图用于比较数量；饼图展示比例关系。选择最能清晰表达数据特点的图表形式有助于提高可视化效果[^3]。

#### 设置图形大小与分辨率
在创建图表之前定义好画布尺寸（`figsize`参数）以及图像解析度（`dpi`），这不仅影响最终输出的质量还决定了布局安排的空间感。对于出版级图片来说较高的DPI值通常是必要的[^4]。

plt.figure(figsize=(10, 6), dpi=300)

#### 自定义颜色方案
利用预设的颜色映射或自定义色彩来增强视觉吸引力并使重要信息更加突出。可以通过传递列表给`color`参数指定线条/条形的颜色，也可以应用colormap实现渐变效果[^1]。

colors = ['red', 'blue']
ax.bar(x_values, y_values, color=colors)

# 或者使用 colormap
cmap = plt.get_cmap('viridis')
norm = mpl.colors.Normalize(vmin=min(data), vmax=max(data))
rgba_colors = cmap(norm(data))
ax.scatter(x_data, y_data, c=rgba_colors)

#### 添加标题与标签
为图表添加描述性的主标题(`title`)、X轴名(`xlabel`)及Y轴名(`ylabel`)可以使读者更容易理解所呈现的内容。同时还可以调整字体样式以匹配整体风格[^2]。

ax.set_title("Sample Plot", fontsize=16)
ax.set_xlabel("X-axis Label")
ax.set_ylabel("Y-axis Label")

# 修改字体属性
font = {'family': 'serif',
        'weight': 'bold',
        'size': 14}
matplotlib.rc('font', **font)

#### 调整刻度标记
合理设置坐标轴上的刻度位置及其间隔能够帮助观众更精确地读取数值。此外，旋转角度或者倾斜文字方向也有助于防止拥挤现象发生。

ax.tick_params(axis='both', which='major', labelsize=10)
ax.xaxis.set_major_locator(plt.MultipleLocator(base=5))  # 设定 X 轴每五个单位有一个大格

#### 使用网格辅助阅读
开启背景中的细密网线可以帮助观察者更好地定位具体的数据点所在的位置。通常建议保持较浅淡的颜色以免干扰主体内容。

ax.grid(True, linestyle='-.', alpha=0.7)

#### 注解关键区域
当存在特别值得关注的地方时，在相应位置放置箭头指向说明或是直接标注出来是非常有效的做法之一。这样可以让重点一目了然。

bbox_props = dict(boxstyle="round,pad=0.3", fc="white", ec="black", lw=1)
ax.annotate('Peak Point', xy=(max_x_value, max_y_value),
            xytext=(max_x_value + offset, max_y_value - offset),
            arrowprops=dict(facecolor='black', shrink=0.05),
            bbox=bbox_props,
            ha='center')

#### 控制边距与空白区
适当调节四周留白部分的比例可以使得整个画面看起来更为紧凑而不失美感。特别是当多个子图共存时尤为重要。

plt.tight_layout(pad=2.0)  # 自动调整各元素间距