目录
一、 前言
二、 matplotlib的绘图样式（style）
2.1 matplotlib内置的样式
2.1.1 如何查看matplotlib内置样式：plt.style.available
2.1.2 如何使用matplotlib内置样式：plt.style.use('样式名称')
2.1.3 如何修改matplotlib内样式：设置rcparams
2.1.4 用户如何自定义样式：stylesheet.mplstyle
三、 matplotlib的色彩设置（color）
3.1 设置颜色的几种方式
3.1.1 RGB或RGBA
3.1.2 HEX RGB 或 RGBA
3.1.3 灰度色阶
3.1.4 单字符基本颜色
3.1.5 颜色名称
3.1.6 使用colormap设置一组颜色
四、思考题
4.1 学习如何自定义colormap，并将其应用到任意一个数据集中，绘制一幅图像
一、 前言
这是该项目的最后一章。可以看到matplotlib的入门是十分简单的，介绍了几个常见的图像绘图后，再掌握一些“美观”的技巧就可以算入门。这最后一章着重点在样式和颜色。
二、 matplotlib的绘图样式（style）
（先导入所需要的库）
import matplotlib as mplimport matplotlib.pyplot as pltimport numpy as npplt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
在matplotlib中，要想设置绘制样式，最简单的方法是在绘制元素时单独设置样式。 但是有时候，当用户在做专题报告时，往往会希望保持整体风格的统一而不用对每张图一张张修改，因此matplotlib库还提供了四种批量修改全局样式的方式
2.1 matplotlib内置的样式
2.1.1 如何查看matplotlib内置样式：plt.style.available
print(plt.style.available)
通过该代码，我们可以知道matplotlib内部提供了哪些样式：
['Solarize_Light2', '_classic_test_patch', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark', 'seaborn-dark-palette', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'tableau-colorblind10']
2.1.2 如何使用matplotlib内置样式：plt.style.use('样式名称')
通过plt.style.use('样式名称')就行，具体查看下面代码：
x= np.arange(0,10)y = np.arange(10,20)fig = plt.figure(figsize=(6,3))plt.style.use('default')plt.ylim(0,20)plt.title('title')plt.plot(x,y);
x= np.arange(0,10)y = np.arange(10,20)fig = plt.figure(figsize=(6,3))plt.style.use('Solarize_Light2')plt.ylim(0,20)plt.title('title')plt.plot(x,y);
2.1.3 如何修改matplotlib内样式：设置rcparams
你会遇到这样的场景：
使用了matplotlib的内置样式，但是仍有些地方需要自己修改，那我们该如何操作呢？
我们还可以通过修改默认rc设置的方式改变样式，所有rc设置都保存在一个叫做matplotlib.rcParams的变量中。
这是defalut的样式，现在我们对下图进行修改：
mpl.rcParams['lines.linewidth'] = 2mpl.rcParams['lines.linestyle'] = '--'plt.plot(x,y)
（这里我没有设置xlim，所以有点不同，但是关注点应该是在linestyle上）
2.1.4 用户如何自定义样式：stylesheet.mplstyle
在任意路径下创建一个后缀名为mplstyle的样式清单，编辑文件添加以下样式内容:
axes.titlesize : 24
axes.labelsize : 20
lines.linewidth : 3
lines.markersize : 10
xtick.labelsize : 16
ytick.labelsize : 16
具体步骤：首先建立一个txt文本，往里面写入自己定义的样式内容：
然后修改名称和后缀名：
引用刚刚创建的文件路径
path = 'matplotlib_style.mplstyle'#你的文件路径plt.style.use(path)plt.plot(x,y)
可以同时引用多个：值得特别注意的是，matplotlib支持混合样式的引用，只需在引用时输入一个样式列表，若是几个样式中涉及到同一个参数，右边的样式表会覆盖左边的值。
plt.style.use(['dark_background', 'matplotlib_style.mplstyle'])plt.plot([1,2,3,4],[2,3,4,5]);
三、 matplotlib的色彩设置（color）
在可视化中，如何选择合适的颜色和搭配组合也是需要仔细考虑的，色彩选择要能够反映出可视化图像的主旨。
从可视化编码的角度对颜色进行分析，可以将颜色分为
色相亮度饱和度
三个视觉通道。
通常来说：
色相： 没有明显的顺序性、一般不用来表达数据量的高低，而是用来表达数据列的类别。
明度和饱和度：在视觉上很容易区分出优先级的高低、被用作表达顺序或者表达数据量视觉通道。
具体关于色彩理论部分的知识学习，参考下面链接
学会这6个可视化配色基本技巧，还原数据本身的意义
3.1 设置颜色的几种方式
3.1.1 RGB或RGBA
颜色用[0,1]之间的浮点数表示，四个分量按顺序分别为(red, green, blue, alpha)，其中alpha透明度可省略 ：
plt.style.use('default')plt.plot([1,2,3],[4,5,6],color=(0.1, 0.2, 0.5))plt.plot([4,5,6],[1,2,3],color=(0.1, 0.2, 0.5, 0.5));
3.1.2 HEX RGB 或 RGBA
用十六进制颜色码表示，同样最后两位表示透明度，可省略
plt.plot([1,2,3],[4,5,6],color='#0f0f0f')plt.plot([4,5,6],[1,2,3],color='#0f0f0f80');
RGB颜色和HEX颜色之间是可以一一对应的，以下网址提供了两种色彩表示方法的转换工具。
Color Hex -
3.1.3 灰度色阶
# 当只有一个位于[0,1]的值时，表示灰度色阶plt.plot([1,2,3],[4,5,6],color='0.5');
3.1.4 单字符基本颜色
matplotlib有八个基本颜色，可以用单字符串来表示，
分别是
'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'，
对应的是
blue, green, red, cyan, magenta, yellow, black, and white的英文缩写
plt.plot([1,2,3],[4,5,6],color='m');
3.1.5 颜色名称
# matplotlib提供了颜色对照表，可供查询颜色对应的名称plt.plot([1,2,3],[4,5,6],color='tan');
3.1.6 使用colormap设置一组颜色
有些图表支持使用colormap的方式配置一组颜色，从而在可视化中通过色彩的变化表达更多信息。
在matplotlib中，colormap共有五种类型:
顺序（Sequential）。通常使用单一色调，逐渐改变亮度和颜色渐渐增加，用于表示有顺序的信息
发散（Diverging）。改变两种不同颜色的亮度和饱和度，这些颜色在中间以不饱和的颜色相遇;当绘制的信息具有关键中间值（例如地形）或数据偏离零时，应使用此值。
循环（Cyclic）。改变两种不同颜色的亮度，在中间和开始/结束时以不饱和的颜色相遇。用于在端点处环绕的值，例如相角，风向或一天中的时间。
定性（Qualitative）。常是杂色，用来表示没有排序或关系的信息。
杂色（Miscellaneous）。一些在特定场景使用的杂
色组合，如彩虹，海洋，地形等。
x = np.random.randn(50)y = np.random.randn(50)plt.style.use('default')plt.scatter(x,y,c=x,cmap='RdPu');
在以下官网页面可以查询上述五种colormap的字符串表示和颜色图的对应关系
Choosing Colormaps in Matplotlib — Matplotlib 3.5.2 documentation
四、思考题
4.1 学习如何自定义colormap，并将其应用到任意一个数据集中，绘制一幅图像
注意colormap的类型要和数据集的特性相匹配，并做简单解释
后面有机会再补，这个感觉用到的不多。
