Python: Wie man die Farbskala in Matplotlib anpasst und effektiv nutzt

Matplotlib ist eine weit verbreitete Bibliothek in Python zur Visualisierung von Daten. Unter den verschiedenen Elementen ist die Farbskala ein wichtiger Bestandteil, um die numerischen Informationen in einem Diagramm durch Farben darzustellen. Die standardmäßige Farbskala zeigt jedoch nicht immer die Merkmale der Daten auf eine leicht verständliche Weise. Durch die richtige Anpassung kann die visuelle Wirkung verstärkt und die Intention des Diagramms klarer übermittelt werden. In diesem Artikel werden die grundlegenden Anwendungen der Farbskala sowie fortgeschrittene Anpassungsmethoden erklärt, um eine effektive Datenvisualisierung zu erreichen.

Inhaltsverzeichnis

Grundlegende Verwendung der Farbskala

Die Farbskala ist ein Werkzeug in Matplotlib, das die Zuordnung von Farben zu Datenwerten in einem Diagramm darstellt. Besonders wichtig ist sie, wenn es darum geht, den Bereich oder die Verteilung von Daten in Heatmaps oder Streudiagrammen visuell zu erfassen. Hier sind die grundlegenden Schritte zur Hinzufügung einer Farbskala:

Hinzufügen einer Farbskala

In Matplotlib können Sie eine Farbskala mit plt.colorbar() hinzufügen. Hier ist ein einfaches Beispiel, wie man einer Heatmap eine Farbskala hinzufügt.

import matplotlib.pyplot as plt
import numpy as np

# Erstellen von Beispieldaten
data = np.random.rand(10, 10)

# Zeichnen der Heatmap
plt.imshow(data, cmap='viridis')

# Hinzufügen der Farbskala
plt.colorbar()

# Anzeigen des Diagramms
plt.show()

Wenn Sie diesen Code ausführen, wird eine Farbskala rechts von der Heatmap angezeigt, und Sie können visuell erkennen, wie die Farben die Datenwerte repräsentieren.

Grundlegende Funktionen der Farbskala

Die Farbskala hilft, die Daten auf folgende Weise zu verstehen:

Explizite Darstellung des Datenbereichs: Die Farbskala zeigt visuell den Bereich von den minimalen bis zu den maximalen Werten der Daten.
Zuordnung von Werten zu Farben: Da jedem Datenwert eine bestimmte Farbe zugeordnet ist, können Sie durch den Blick auf die Farben eine grobe Vorstellung vom Wert erhalten.

Die Standard-Farbskala ist einfach gehalten, aber durch Anpassung des Erscheinungsbildes und der Skala kann sie noch effektiver werden, um die Daten zu vermitteln.

Anpassen der Farbkarte und der Datenskala

Um die visuelle Wirkung der Farbskala zu maximieren, ist es wichtig, eine Farbkarte und eine Skala auszuwählen, die den Eigenschaften der Daten entsprechen. Matplotlib bietet eine Vielzahl von Farbpaletten und Skalen, die richtig eingesetzt die Merkmale der Daten effektiv hervorheben können.

Auswahl der Farbkarte

Eine Farbkarte ist ein Farbschema, das numerische Daten in Farben umwandelt. Matplotlib bietet viele Farbpaletten an. Abhängig vom Verwendungszweck können Sie eine der folgenden Farbpaletten auswählen:

Kontinuierliche Daten: viridis oder plasma (die Helligkeit und Sättigung ändern sich gleichmäßig).
Bidirektionale Daten (einschließlich negativer und positiver Werte): seismic oder coolwarm
Kategorische Daten: tab10 oder Set3

Hier ist ein Beispiel, wie man die Farbkarte ändern kann:

import matplotlib.pyplot as plt
import numpy as np

# Erstellen von Beispieldaten
data = np.random.rand(10, 10)

# Zeichnen der Heatmap (Farbkarte geändert auf plasma)
plt.imshow(data, cmap='plasma')

# Hinzufügen der Farbskala
plt.colorbar()

# Anzeigen des Diagramms
plt.show()

Anpassen der Datenskala

Die Farbskala muss entsprechend der Datenskala angepasst werden. Sie können die Skala auf folgende Weise einstellen:

Beschränkung des Bereichs: Verwenden Sie vmin und vmax, um den Datenbereich festzulegen.
Hervorhebung eines bestimmten Bereichs: Schließen Sie extreme Werte aus und konzentrieren Sie sich auf den interessanten Bereich.

Hier ist ein Beispiel, wie man vmin und vmax einstellt:

# Zeichnen der Heatmap (Bereich festgelegt)
plt.imshow(data, cmap='viridis', vmin=0.2, vmax=0.8)

# Hinzufügen der Farbskala
plt.colorbar()

plt.show()

Auswahl der Farbkarte und Skala je nach Daten

Bei engem Datenbereich: Verwenden Sie eine auffällige Farbkarte für eine bessere visuelle Wirkung.
Wissenschaftliche Daten: Wenn es Standards für die Auswahl der Farbkarte gibt, sollten diese beachtet werden.

Durch die Auswahl der richtigen Farbkarte und Skala können Sie die visuelle Klarheit des gesamten Diagramms verbessern.

Anpassung des Aussehens der Farbskala

Durch das Anpassen des Aussehens der Farbskala können Sie die Interpretation der Daten erleichtern und das Erscheinungsbild des Diagramms verfeinern. In Matplotlib können Sie Titel, Beschriftungen, Position, Schriftgröße und mehr flexibel anpassen.

Hinzufügen eines Titels zur Farbskala

Durch das Hinzufügen eines Titels zur Farbskala können Sie deutlich zeigen, was die Farben darstellen. Verwenden Sie colorbar.set_label() dafür.

import matplotlib.pyplot as plt
import numpy as np

# Erstellen von Beispieldaten
data = np.random.rand(10, 10)

# Zeichnen der Heatmap
plt.imshow(data, cmap='viridis')

# Hinzufügen der Farbskala
cbar = plt.colorbar()
cbar.set_label('Datenwert', fontsize=12)

plt.show()

Ändern der Schriftgröße und des Stils der Beschriftungen

Die Schriftgröße und der Stil der Tick-Beschriftungen auf der Farbskala können angepasst werden, um das Design zu optimieren. Im folgenden Beispiel werden die Schriftgröße und der Stil geändert:

cbar.ax.tick_params(labelsize=10, labelcolor='blue')

Anpassen der Position der Farbskala

Standardmäßig wird die Farbskala auf der rechten Seite des Diagramms angezeigt. Sie können jedoch die Position und Größe anpassen, indem Sie shrink und aspect angeben.

plt.colorbar(shrink=0.8, aspect=20)

shrink: Reduziert die Länge der Farbskala (0 bis 1).
aspect: Passt das Seitenverhältnis der Farbskala an.

Einstellen der Farbskalen-Ticks und -Labels

Um das Verständnis der Daten zu erleichtern, können Sie die Ticks manuell festlegen. Verwenden Sie colorbar.set_ticks() dafür.

import matplotlib.ticker as ticker

cbar.set_ticks([0.2, 0.5, 0.8])
cbar.set_ticklabels(['Low', 'Medium', 'High'])

Anwenden eines komplexen Designs

Wenn Sie eine noch detailliertere Anpassung wünschen, können Sie direkt auf das Zeichnungsgebiet der Farbskala zugreifen.

cbar.ax.set_title('Color Legend', fontsize=10, loc='left')

Auswahl eines geeigneten Designs

Wählen Sie das Design je nach Thema des Diagramms und der Perspektive des Betrachters.
Für wissenschaftliche Arbeiten sollte das Design einfach und gut lesbar sein, für Präsentationen sollte es auffälliger sein.

Durch das Verfeinern des Designs der Farbskala kann die Effektivität der Datenvisualisierung erheblich gesteigert werden.

Erstellen einer diskreten Farbskala

Eine diskrete Farbskala wird verwendet, wenn anstelle kontinuierlicher Daten diskrete Kategorien oder Klassen durch Farben dargestellt werden. Sie eignet sich gut zur Darstellung von Kategoriedaten und spielt eine wichtige Rolle bei Datenanalysen und Präsentationen.

Notwendigkeit einer diskreten Farbskala

Darstellung von Kategoriedaten: Wird für geographische Daten, Klassifizierungsergebnisse oder in bestimmte Bereiche unterteilte Daten verwendet.
Klare Unterscheidung von Farben: Ermöglicht eine einfache visuelle Unterscheidung unterschiedlicher Kategorien.

Erstellen einer diskreten Farbskala

Mit Matplotlib’s BoundaryNorm können Sie die Farbkarte diskretisieren.

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import BoundaryNorm
from matplotlib.cm import get_cmap

# Erstellen von Beispieldaten
data = np.random.rand(10, 10) * 100

# Festlegen der Farbskala
bounds = [0, 20, 40, 60, 80, 100]  # Trennwerte
cmap = get_cmap('viridis', len(bounds) - 1)  # Farbkarte entsprechend der Anzahl der Kategorien
norm = BoundaryNorm(bounds, cmap.N)

# Zeichnen der Heatmap
plt.imshow(data, cmap=cmap, norm=norm)

# Hinzufügen der Farbskala
cbar = plt.colorbar(ticks=bounds)  # Verwendet Trennwerte als Ticks
cbar.set_label('Kategorie')

plt.show()

In diesem Code werden die Datenwerte den angegebenen Bereichen (0–20, 20–40 usw.) zugeordnet und jeweils mit einer anderen Farbe angezeigt.

Anpassen der Labels der Farbskala

Durch das Festlegen von Labels für die Kategoriedaten können Sie deutlich machen, was die Farbskala darstellt:

cbar.set_ticklabels(['Very Low', 'Low', 'Medium', 'High', 'Very High'])

Erstellen einer benutzerdefinierten Farbskala für Kategorien

Wenn Sie eine bestimmte Farbgebung wählen möchten, können Sie mit ListedColormap eine benutzerdefinierte Farbkarte erstellen:

from matplotlib.colors import ListedColormap

colors = ['blue', 'green', 'yellow', 'orange', 'red']
cmap = ListedColormap(colors)
norm = BoundaryNorm(bounds, len(colors))

plt.imshow(data, cmap=cmap, norm=norm)
plt.colorbar(ticks=bounds)
plt.show()

Verwendung einer diskreten Farbskala

Geografische Klassifizierung auf Karten (z. B. Bevölkerungsdichte, Klimazonen).
Visualisierung von Klassifikationsergebnissen in maschinellen Lernmodellen (z. B. Anzeige von Klassenlabels).
Farbliche Darstellung von Bewertungen in verschiedenen Bereichen für eine intuitive Anzeige.

Die diskrete Farbskala hilft bei der Kategorisierung und der visuellen Strukturierung von Daten und ist ein mächtiges Werkzeug für Präsentationen und Analysen.

Erstellen einer Farbskala im logarithmischen Maßstab

Wenn die Daten über einen großen Bereich verteilt sind, hilft eine logarithmische Farbskala dabei, extreme und kleine Werte visuell besser erfassbar zu machen. Dies ist besonders nützlich bei wissenschaftlichen oder finanziellen Daten, bei denen sich die Werte exponentiell verändern.

Notwendigkeit einer logarithmischen Skala

Breiter Datenbereich: Wenn es einen großen Unterschied zwischen dem kleinsten und größten Wert gibt.
Balance zwischen Details und Gesamtbild: Kleine und große Werte gleichzeitig genau visualisieren.
Standarddarstellung wissenschaftlicher Daten: Bei Daten, bei denen eine logarithmische Skala sinnvoll ist (z. B. Erdbebenstärke, astronomische Messwerte).

Erstellen einer logarithmischen Farbskala

In Matplotlib können Sie mit LogNorm eine logarithmische Skala anwenden.

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

# Erstellen von Beispieldaten
data = np.random.rand(10, 10) * 1000
data[0, 0] = 0.01  # Hinzufügen eines kleinen Werts, um die Skalenwirkung zu zeigen

# Zeichnen der Heatmap (logarithmische Skala angewendet)
plt.imshow(data, cmap='viridis', norm=LogNorm(vmin=0.01, vmax=1000))

# Hinzufügen der Farbskala
cbar = plt.colorbar()
cbar.set_label('Logarithmischer Wert')

plt.show()

In diesem Code wird eine logarithmische Farbskala erstellt, bei der der Bereich von 0,01 bis 1000 korrekt dargestellt wird.

Anpassung der logarithmischen Skala für kleine Werte

Wenn Ihre Daten Nullwerte oder negative Werte enthalten, führt die logarithmische Skala zu Fehlern. Hier sind einige Lösungen:

Minimale Werte einstellen: Ersetzen Sie Nullwerte durch kleine positive Werte.

   data[data <= 0] = 0.01

Farbkarte anpassen: Stellen Sie negative Werte mit einer bestimmten Farbe dar oder erstellen Sie eine eigene Skala.

Anpassen der Ticks der Farbskala

Indem Sie die Tick-Positionen explizit festlegen, können Sie die logarithmischen Werte besser verständlich machen:

from matplotlib.ticker import LogLocator

cbar = plt.colorbar()
cbar.set_ticks(LogLocator(base=10.0, subs=None, numticks=10))
cbar.set_label('Logarithmischer Wert (benutzerdefinierte Ticks)')

Anwendungsbeispiel: Verwendung der logarithmischen Skala

Heatmap: Hervorhebung kleiner Veränderungen in wissenschaftlichen Daten (z. B. Strahlungsintensität, Lichtverteilung).
Streudiagramm: Visualisierung großer und kleiner Werte in Finanzdaten (z. B. Aktienkursschwankungen).
Kartendaten: Darstellung extrem großer Werte in seismischen Daten oder Bevölkerungsdichte.

Wichtige Hinweise

Logarithmische Skalen können nicht auf Daten angewendet werden, die Null- oder Negative Werte enthalten, daher müssen diese vorab bearbeitet werden.
Es ist wichtig, sicherzustellen, dass die logarithmische Skala für die Visualisierung sinnvoll ist.

Durch den effektiven Einsatz der logarithmischen Farbskala können Sie die Merkmale der Daten genau vermitteln und die Genauigkeit der Visualisierung erhöhen.

Teilen einer Farbskala zwischen mehreren Plots

Bei der Erstellung mehrerer Plots kann es visuell unübersichtlich werden, wenn für jedes Diagramm eine eigene Farbskala hinzugefügt wird. Wenn jedoch alle Plots denselben Datenbereich abdecken, kann das Teilen einer einzigen Farbskala die Einheitlichkeit der Darstellung verbessern und gleichzeitig den Platz effizienter nutzen.

Szenarien, in denen das Teilen der Farbskala sinnvoll ist

Vergleichende Plots: Zum Vergleich der Visualisierung unterschiedlicher Datensätze oder Bedingungen.
Plots mit einheitlichem Datenbereich: Wenn alle Diagramme denselben Wertebereich zur Farbzuordnung verwenden.
Platzersparnis: Durch das Weglassen mehrerer Farbskalen wird das Layout der Plots vereinfacht.

Teilen der Farbskala

In Matplotlib können Sie mit fig.colorbar() eine Farbskala für mehrere Plots teilen. Hier ist ein Beispiel, wie das funktioniert:

import matplotlib.pyplot as plt
import numpy as np

# Erstellen von Beispieldaten
data1 = np.random.rand(10, 10) * 100
data2 = np.random.rand(10, 10) * 100

# Erstellen von Figure und Axes
fig, axs = plt.subplots(1, 2, figsize=(10, 5))

# Zeichnen der Heatmaps
im1 = axs[0].imshow(data1, cmap='viridis', vmin=0, vmax=100)
im2 = axs[1].imshow(data2, cmap='viridis', vmin=0, vmax=100)

# Teilen der Farbskala
cbar = fig.colorbar(im1, ax=axs, orientation='vertical')
cbar.set_label('Gemeinsame Farbskala')

plt.show()

In diesem Code teilen beide Plots dieselbe Skala für vmin und vmax, und die Farbskala ist beiden Plots zugeordnet.

Anpassen der Position und Ausrichtung der Farbskala

Durch das Anpassen der Ausrichtung und Position der Farbskala können Sie das Layout von mehreren Plots optimieren. Zum Beispiel können Sie die Farbskala horizontal unten platzieren:

cbar = fig.colorbar(im1, ax=axs, orientation='horizontal', fraction=0.046, pad=0.1)

orientation: Geben Sie 'horizontal' oder 'vertical' an, um die Ausrichtung festzulegen.
fraction: Justierung der Breite der Farbskala.
pad: Anpassung des Abstands zwischen Farbskala und Plot.

Anpassen der Farbskala bei mehreren Plots

Wenn Sie eine Farbskala über mehrere Plots teilen, können Sie mit fig.colorbar() auch die Position festlegen:

fig, axs = plt.subplots(1, 2, figsize=(10, 5))
im1 = axs[0].imshow(data, cmap='viridis')
im2 = axs[1].imshow(data, cmap='viridis')

# Platzieren der Farbskala an der rechten Seite beider Plots
cbar = fig.colorbar(im1, ax=axs, orientation='vertical', fraction=0.05, pad=0.04)
cbar.set_label('Datenbereich')

plt.show()

Anwendungsbeispiele

Heatmap: Wenn viele Labels angezeigt werden, platzieren Sie die Farbskala unten, um Platz zu sparen.
Kartendaten: Platzieren Sie die Farbskala außen, um die gesamte Karte anzuzeigen.
Wissenschaftliche Daten: Bei horizontalen Diagrammen können Sie die Farbskala unten platzieren.

Best Practices für die Positionierung der Farbskala

Wählen Sie die Position der Farbskala unter Berücksichtigung der Sichtbarkeit des Diagramms.
Stellen Sie sicher, dass Labels und Einheiten auf der Farbskala richtig angezeigt werden.
Platzieren Sie die Farbskala so, dass die Bedeutung der Daten und der Farbskala intuitiv verstanden wird.

Durch die richtige Platzierung der Farbskala kann die visuelle Wirkung des Diagramms und die Verständlichkeit der Daten verbessert werden.

Praktische Beispiele für den Einsatz der Farbskala

Das Anpassen der Farbskala geht über die bloße Darstellung von Datenwerten hinaus und ist ein leistungsstarkes Mittel zur Verbesserung der Datenvisualisierung und zur erleichterten Interpretation. Im Folgenden werden einige Szenarien gezeigt, in denen Farbskalen effektiv eingesetzt werden können.

Szenario 1: Visualisierung von Geodaten

Bei der Visualisierung von Geodaten (z. B. Temperaturverteilung oder Niederschlagsmengen) können die richtigen Farbskalen ausgewählt und klar angezeigt werden, um die Datenmuster präzise zu vermitteln.

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import BoundaryNorm
from matplotlib.cm import get_cmap

# Beispielhafte Geodaten (Simulation der geographischen Verteilung)
data = np.random.rand(10, 10) * 50

# Bereich und Farbkarte festlegen
bounds = [0, 10, 20, 30, 40, 50]
cmap = get_cmap('coolwarm', len(bounds) - 1)
norm = BoundaryNorm(bounds, cmap.N)

# Geodaten-Heatmap
plt.imshow(data, cmap=cmap, norm=norm)
cbar = plt.colorbar(ticks=bounds)
cbar.set_label('Niederschlag (mm)')

plt.title('Geodaten: Niederschlagsverteilung')
plt.show()

In diesem Beispiel wird der Bereich der Niederschlagsmengen in Stufen unterteilt und durch Farben visualisiert. Durch das Hinzufügen einer Maßeinheit in das Label wird die Bedeutung der Daten deutlich vermittelt.

Szenario 2: Klassifikationsergebnisse von maschinellen Lernmodellen

Bei der Visualisierung von Multiklassen-Klassifikationsergebnissen können durch eindeutige Farbzuteilung für jede Klasse die Ergebnisse auf einen Blick erfasst werden.

from matplotlib.colors import ListedColormap

# Beispielhafte Klassifikationsergebnisse
data = np.random.randint(0, 5, (10, 10))

# Benutzerdefinierte Farbkarte
colors = ['blue', 'green', 'yellow', 'orange', 'red']
cmap = ListedColormap(colors)

# Klassenbezeichner
class_labels = ['Klasse 1', 'Klasse 2', 'Klasse 3', 'Klasse 4', 'Klasse 5']

# Plot
plt.imshow(data, cmap=cmap)
cbar = plt.colorbar(ticks=range(len(colors)))
cbar.ax.set_yticklabels(class_labels)
cbar.set_label('Klassifikation')

plt.title('Visualisierung der Klassifikationsergebnisse')
plt.show()

In diesem Beispiel werden verschiedene Farben den Klassen zugewiesen und durch die Labels deutlich gemacht, um die Klassifikationsergebnisse intuitiv darzustellen.

Szenario 3: Visualisierung durch logarithmische Skala

Wissenschaftliche Daten (z. B. Verteilung der Helligkeit von Sternen oder seismische Energie) können durch die Verwendung einer logarithmischen Farbskala über einen großen Bereich hinweg visualisiert werden.

from matplotlib.colors import LogNorm

# Logarithmische Skala-Daten
data = np.random.rand(10, 10) * 1000
data[0, 0] = 0.01  # Hinzufügen eines kleinen Werts

# Heatmap
plt.imshow(data, cmap='plasma', norm=LogNorm(vmin=0.01, vmax=1000))
cbar = plt.colorbar()
cbar.set_label('Energie (logarithmische Skala)')

plt.title('Visualisierung der logarithmischen Skala')
plt.show()

In diesem Beispiel wird eine logarithmische Skala verwendet, um sowohl sehr kleine als auch sehr große Werte gleichzeitig effektiv darzustellen.

Wichtige Hinweise zur Verwendung der Farbskala

Wählen Sie die richtige Farbkarte für den Datentyp aus: Berücksichtigen Sie, ob es sich um kontinuierliche oder kategorische Daten handelt.
Beschriftungen und Einheiten klarstellen: Geben Sie an, was die Farbskala darstellt.
Skalierung anpassen: Betonen Sie die Daten mit der richtigen Skala.

Mit diesen Beispielen können Sie die Farbskala für Ihre Datenvisualisierungen noch effektiver nutzen.

Zusammenfassung

In diesem Artikel wurde die Anpassung der Farbskala in Matplotlib erklärt, angefangen bei den grundlegenden Funktionen bis hin zu fortgeschrittenen Techniken wie der Auswahl der Farbkarte, der Anpassung der Skala und des Aussehens sowie der Erstellung diskreter Farbskalen und logarithmischer Skalen. Zudem wurden praktische Techniken zur gemeinsamen Nutzung von Farbskalen in mehreren Plots und zur Positionierung der Farbskala vorgestellt.

Die Farbskala ist in der Datenvisualisierung nicht nur ein Hilfsmittel, sondern spielt eine entscheidende Rolle bei der visuellen Kommunikation der Eigenschaften der Daten. Durch geschickte Anpassungen können Sie klarere und überzeugendere Diagramme erstellen.