Matplotlib: Как использовать одну цветовую шкалу для нескольких подграфиков?

  •   
  •   21225
  •   10 мин
  •   245

При визуализации данных с помощью Matplotlib часто возникает необходимость отобразить несколько подграфиков (subplots), каждый из которых использует цветовую карту (colormap) для представления значений. Стандартный подход добавления colorbar к каждому подграфику приводит к дублированию шкал, что загромождает визуализацию и затрудняет сравнение данных между графиками, поскольку диапазоны цветов могут не совпадать.

Саммари статьи
ChatGPT ChatGPT
Google AI Google AI
Grok Grok
Perplexity Perplexity

Зачем нужна общая цветовая шкала?

Использование единой цветовой шкалы для группы подграфиков решает несколько задач:

  • Согласованность: Гарантирует, что один и тот же цвет соответствует одному и тому же значению на всех подграфиках.
  • Сравнимость: Упрощает визуальное сравнение распределения значений между различными наборами данных.
  • Экономия пространства: Уменьшает визуальный шум, заменяя несколько шкал одной общей.
  • Профессиональный вид: Придает визуализации более чистый и законченный вид.

Обзор основных подходов к решению проблемы

Существует несколько способов реализовать общую цветовую шкалу в Matplotlib:

  1. Использование matplotlib.cm.ScalarMappable: Создание отдельного объекта, отвечающего за отображение данных в цвета, и привязка colorbar к нему.
  2. Явное задание пределов vmin и vmax: Определение общих минимального и максимального значений для всех подграфиков и передача их в функции отрисовки.
  3. Применение matplotlib.gridspec: Использование более гибкой системы компоновки для явного выделения места под общую цветовую шкалу.

Рассмотрим каждый из этих подходов подробнее.

Способ 1: Использование ScalarMappable и colorbar

Этот метод является наиболее гибким и рекомендуемым. Он заключается в создании объекта ScalarMappable, который инкапсулирует нормализацию данных (mapping data values to the [0, 1] interval) и цветовую карту. Затем colorbar создается на основе этого объекта, а не конкретного подграфика.

Создание экземпляра ScalarMappable

Сначала необходимо определить нормализатор (matplotlib.colors.Normalize) и цветовую карту (cmap). Нормализатор обычно создается на основе глобальных минимального и максимального значений данных (vmin, vmax).

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import matplotlib.cm as cm
import numpy as np
from typing import List, Tuple

# Пример: Глобальные мин/макс значения для всех данных
global_vmin: float = 0.0
global_vmax: float = 100.0

# Выбор цветовой карты
cmap: mcolors.Colormap = cm.viridis

# Создание нормализатора
norm: mcolors.Normalize = mcolors.Normalize(vmin=global_vmin, vmax=global_vmax)

# Создание ScalarMappable
sm: cm.ScalarMappable = cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([]) # Важно: передаем пустой массив или None

Отображение данных на подграфиках с использованием ScalarMappable

При построении графиков (например, imshow или pcolormesh) необходимо использовать ту же цветовую карту (cmap) и нормализатор (norm), которые были переданы в ScalarMappable.

# Пример данных (имитация тепловых карт эффективности рекламных кампаний)
data1: np.ndarray = np.random.rand(10, 10) * 70
data2: np.ndarray = np.random.rand(10, 10) * 100
data3: np.ndarray = np.random.rand(10, 10) * 50
data4: np.ndarray = np.random.rand(10, 10) * 90

all_data: List[np.ndarray] = [data1, data2, data3, data4]

fig, axes = plt.subplots(2, 2, figsize=(8, 8))

for ax, data in zip(axes.flat, all_data):
    im = ax.imshow(data, cmap=cmap, norm=norm)
    ax.set_title(f'Max Value: {data.max():.2f}')
    ax.set_xticks([])
    ax.set_yticks([])

Добавление colorbar для общей цветовой шкалы

Цветовая шкала добавляется с помощью fig.colorbar(), передавая ей объект ScalarMappable (sm) и указывая оси (ax), рядом с которыми она должна быть размещена.

# Добавление colorbar
# fig.colorbar(sm, ax=axes.ravel().tolist(), shrink=0.6)
# Более гибкий вариант - размещение относительно всей фигуры
cbar_ax = fig.add_axes([0.92, 0.15, 0.03, 0.7]) # [left, bottom, width, height]
fig.colorbar(sm, cax=cbar_ax)

plt.suptitle('Эффективность кампаний (Общая шкала)')
plt.show()

Пример кода с пояснениями

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import matplotlib.cm as cm
import numpy as np
from typing import List, Tuple, Optional

def plot_multiple_heatmaps_shared_cbar(
    data_list: List[np.ndarray],
    grid_shape: Tuple[int, int],
    cmap_name: str = 'viridis',
    global_min: Optional[float] = None,
    global_max: Optional[float] = None,
    figsize: Tuple[int, int] = (10, 8),
    cbar_rect: List[float] = [0.92, 0.15, 0.03, 0.7]
) -> None:
    """
    Отображает несколько тепловых карт с общей цветовой шкалой.

    Args:
        data_list: Список 2D numpy массивов для отображения.
        grid_shape: Кортеж (rows, cols) для сетки подграфиков.
        cmap_name: Название цветовой карты Matplotlib.
        global_min: Глобальное минимальное значение для шкалы. Если None, вычисляется по данным.
        global_max: Глобальное максимальное значение для шкалы. Если None, вычисляется по данным.
        figsize: Размер фигуры (width, height).
        cbar_rect: Позиция и размер цветовой шкалы [left, bottom, width, height].
    """
    rows, cols = grid_shape
    if len(data_list) > rows * cols:
        raise ValueError("Количество данных превышает размер сетки")

    # Определение глобальных min/max, если они не заданы
    if global_min is None:
        global_min = min(data.min() for data in data_list)
    if global_max is None:
        global_max = max(data.max() for data in data_list)

    # Настройка ScalarMappable
    cmap: mcolors.Colormap = cm.get_cmap(cmap_name)
    norm: mcolors.Normalize = mcolors.Normalize(vmin=global_min, vmax=global_max)
    sm: cm.ScalarMappable = cm.ScalarMappable(cmap=cmap, norm=norm)
    sm.set_array([]) # Обязательно для независимого colorbar

    fig, axes = plt.subplots(rows, cols, figsize=figsize, squeeze=False)

    # Отображение данных
    for i, ax in enumerate(axes.flat):
        if i < len(data_list):
            im = ax.imshow(data_list[i], cmap=cmap, norm=norm)
            ax.set_title(f'Dataset {i+1} (Max: {data_list[i].max():.2f})')
            ax.set_xticks([])
            ax.set_yticks([])
        else:
            ax.axis('off') # Скрыть неиспользуемые оси

    # Добавление общей цветовой шкалы
    cbar_ax = fig.add_axes(cbar_rect)
    fig.colorbar(sm, cax=cbar_ax)

    plt.suptitle(f'Сравнение данных с общей шкалой [{global_min:.1f}, {global_max:.1f}]')
    plt.subplots_adjust(right=0.88, wspace=0.1, hspace=0.2) # Корректировка отступов
    plt.show()

# Пример использования
data1 = np.random.rand(10, 10) * 80 # CTR % * 100
data2 = np.random.rand(10, 10) * 100
data3 = np.random.rand(10, 10) * 65
data4 = np.random.rand(10, 10) * 95

plot_multiple_heatmaps_shared_cbar([data1, data2, data3, data4], grid_shape=(2, 2))

Способ 2: Явное задание пределов цветовой шкалы (vmin, vmax)

Этот подход проще в реализации для стандартных случаев. Он основан на том, что colorbar автоматически определяет свой диапазон на основе параметров vmin и vmax, переданных в функцию отрисовки (например, imshow).

Реклама

Определение минимального и максимального значений для всех подграфиков

Перед построением графиков необходимо вычислить единые минимальное (vmin) и максимальное (vmax) значения по всем наборам данных, которые будут отображаться.

import numpy as np
from typing import List

# Пример данных (конверсии по регионам)
conversions_region_a: np.ndarray = np.random.rand(5, 5) * 5 + 1 # Конверсии от 1% до 6%
conversions_region_b: np.ndarray = np.random.rand(5, 5) * 3 + 0.5 # Конверсии от 0.5% до 3.5%
all_conversions: List[np.ndarray] = [conversions_region_a, conversions_region_b]

# Вычисление глобальных min/max
global_vmin: float = min(data.min() for data in all_conversions)
global_vmax: float = max(data.max() for data in all_conversions)

print(f"Global Min: {global_vmin:.2f}, Global Max: {global_vmax:.2f}")

Передача vmin и vmax в функции построения графиков

При вызове imshow, pcolormesh, scatter (с параметром c) и других подобных функций необходимо явно указать вычисленные vmin и vmax.

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(10, 4))
cmap_name = 'plasma'

im1 = axes[0].imshow(conversions_region_a, cmap=cmap_name, vmin=global_vmin, vmax=global_vmax)
axes[0].set_title('Регион А')

im2 = axes[1].imshow(conversions_region_b, cmap=cmap_name, vmin=global_vmin, vmax=global_vmax)
axes[1].set_title('Регион Б')

for ax in axes:
    ax.set_xticks([])
    ax.set_yticks([])

Добавление colorbar

Теперь colorbar можно добавить, привязав его к любому из объектов AxesImage (результат вызова imshow), поскольку все они используют одинаковые vmin, vmax и cmap. Matplotlib автоматически создаст правильную шкалу.

# Добавляем colorbar, ссылаясь на последний AxesImage (im2), но можно и на im1
# Используем fig.colorbar для размещения относительно фигуры
cbar_ax = fig.add_axes([0.93, 0.15, 0.02, 0.7])
fig.colorbar(im2, cax=cbar_ax, label='Уровень конверсии (%)')

plt.suptitle('Сравнение конверсий по регионам')
plt.subplots_adjust(right=0.9) # Оставляем место для colorbar
plt.show()

Преимущества и недостатки данного подхода

  • Преимущества:
    • Простота реализации: не требует создания ScalarMappable.
    • Интуитивно понятен.
  • Недостатки:
    • Требует предварительного вычисления vmin и vmax по всем данным.
    • Менее гибок, если требуется сложная настройка нормализации или цветовой карты.

Способ 3: Использование matplotlib.gridspec для более сложной компоновки

GridSpec предоставляет более мощный контроль над расположением подграфиков и других элементов фигуры, чем стандартный plt.subplots. Это позволяет явно выделить область для colorbar.

Настройка компоновки с помощью GridSpec

GridSpec делит фигуру на сетку, и вы можете указать, какие ячейки этой сетки будет занимать каждый подграфик и colorbar.

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np
import matplotlib.cm as cm
import matplotlib.colors as mcolors

# Данные и параметры шкалы (как в Способе 1)
data1 = np.random.rand(10, 10) * 70
data2 = np.random.rand(10, 10) * 100
data3 = np.random.rand(10, 10) * 50
data4 = np.random.rand(10, 10) * 90
all_data = [data1, data2, data3, data4]
global_vmin, global_vmax = 0.0, 100.0
cmap = cm.viridis
norm = mcolors.Normalize(vmin=global_vmin, vmax=global_vmax)
sm = cm.ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])

fig = plt.figure(figsize=(10, 8))

# Создаем GridSpec: 2 строки, 2 колонки для графиков + 1 колонка для colorbar
# width_ratios управляет относительной шириной колонок
gs = gridspec.GridSpec(2, 3, width_ratios=[1, 1, 0.1], wspace=0.1, hspace=0.2)

# Создаем оси для подграфиков
ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
ax3 = fig.add_subplot(gs[1, 0])
ax4 = fig.add_subplot(gs[1, 1])
axes_list = [ax1, ax2, ax3, ax4]

# Создаем ось для colorbar, занимающую обе строки в последней колонке
cbar_ax = fig.add_subplot(gs[:, 2])

Размещение подграфиков и цветовой шкалы

Отрисовка данных происходит как обычно, а colorbar размещается в специально выделенной оси (cbar_ax).

# Отображение данных
for ax, data in zip(axes_list, all_data):
    im = ax.imshow(data, cmap=cmap, norm=norm)
    ax.set_title(f'Max: {data.max():.1f}')
    ax.set_xticks([])
    ax.set_yticks([])

# Добавление colorbar в выделенную ось
fig.colorbar(sm, cax=cbar_ax)

plt.suptitle('Использование GridSpec для общей шкалы')
plt.show()

Преимущества использования GridSpec

  • Точный контроль: Позволяет точно позиционировать colorbar относительно подграфиков.
  • Сложные макеты: Идеально подходит для неравномерных сеток или когда нужно встроить colorbar внутрь макета сложным образом.
  • Явное разделение: Четко отделяет пространство для графиков от пространства для шкалы.

Рекомендации и заключение

Выбор подходящего метода в зависимости от задачи

  • ScalarMappable (Способ 1): Наиболее универсальный и рекомендуемый подход. Используйте его, если нужна гибкость, сложная нормализация или вы хотите явно управлять объектом, представляющим шкалу.
  • Явные vmin/vmax (Способ 2): Хороший выбор для простых случаев, когда достаточно задать общие пределы и использовать стандартные функции отрисовки. Требует предварительного расчета пределов.
  • GridSpec (Способ 3): Используйте, когда требуется точный контроль над компоновкой фигуры, особенно для сложных или нерегулярных макетов подграфиков.

Часто ScalarMappable используется совместно с GridSpec или ручным размещением оси для colorbar (fig.add_axes), чтобы добиться наилучшего результата.

Дополнительные возможности настройки цветовой шкалы

Объект colorbar имеет множество параметров для настройки внешнего вида:

  • label: Добавление подписи к шкале.

  • orientation: Изменение ориентации (‘vertical’ или ‘horizontal’).

  • shrink, aspect: Управление размером шкалы.

  • ticks: Явное задание позиций делений.

  • extend: Позволяет указать стрелками на шкале, что данные выходят за пределы vmin/vmax (значения ‘min’, ‘max’, ‘both’, ‘neither’). Это особенно полезно, когда нужно показать наличие выбросов, не искажая основную шкалу.

    # Пример использования extend
norm_extended = mcolors.Normalize(vmin=10, vmax=90)
sm_extended = cm.ScalarMappable(cmap=cmap, norm=norm_extended)
sm_extended.set_array([])
# ... (plotting code using norm_extended)
# fig.colorbar(sm_extended, cax=cbar_ax, label='Значение (с обрезкой)', extend='both')

Полезные ресурсы

Для более глубокого изучения рекомендуется обратиться к официальной документации Matplotlib, в частности к разделам, посвященным colorbar, ScalarMappable, Normalize и GridSpec. Примеры в галерее Matplotlib также могут быть очень полезны для понимания различных техник визуализации.

Создание единой цветовой шкалы — важный навык для представления сложных данных в понятной и профессиональной манере. Выбор правильного метода зависит от конкретной задачи и желаемого уровня контроля над визуализацией.

Метки:

Добавить комментарий

Реклама
Все, что нужно знать: Комплексный обзор фильтрации значений столбца не равных null в Python Pandas
В мире анализа данных столкновение с пропущенными значениями — это не редкость, а скорее данность.
  •  2
  •   2026
Руководство: Как добавить и сохранить данные в CSV-файл с помощью Python Pandas
В мире анализа данных и работы с информацией, данные редко существуют в одном, идеально структурированном виде.
  •  3
  •   2026
Как проверить Google Analytics 4 на сайте и убедиться в корректности сбора данных?
В эпоху цифрового маркетинга понимание того, как пользователи взаимодействуют с вашим сайтом, является не просто преимуществом, а критической необходимостью.
  •  3
  •   2026