Normalizações de mapa de cores SymLogNorm

Demonstração do uso de norma para mapear mapas de cores em dados de maneiras não lineares.

Conjunto de dados sintéticos que consiste em duas protuberâncias, uma negativa e uma positiva, a positiva com 8 vezes a amplitude. Linearmente, a protuberância negativa é quase invisível e é muito difícil ver qualquer detalhe de seu perfil. Com a escala logarítmica aplicada a valores positivos e negativos, é muito mais fácil ver a forma de cada saliência.

Veja SymLogNorm.

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


def rbf(x, y):
    return 1.0 / (1 + 5 * ((x ** 2) + (y ** 2)))

N = 200
gain = 8
X, Y = np.mgrid[-3:3:complex(0, N), -2:2:complex(0, N)]
Z1 = rbf(X + 0.5, Y + 0.5)
Z2 = rbf(X - 0.5, Y - 0.5)
Z = gain * Z1 - Z2

shadeopts = {'cmap': 'PRGn', 'shading': 'gouraud'}
colormap = 'PRGn'
lnrwidth = 0.5

fig, ax = plt.subplots(2, 1, sharex=True, sharey=True)

pcm = ax[0].pcolormesh(X, Y, Z,
                       norm=colors.SymLogNorm(linthresh=lnrwidth, linscale=1,
                                              vmin=-gain, vmax=gain, base=10),
                       **shadeopts)
fig.colorbar(pcm, ax=ax[0], extend='both')
ax[0].text(-2.5, 1.5, 'symlog')

pcm = ax[1].pcolormesh(X, Y, Z, vmin=-gain, vmax=gain,
                       **shadeopts)
fig.colorbar(pcm, ax=ax[1], extend='both')
ax[1].text(-2.5, 1.5, 'linear')

Text(-2.5, 1.5, 'linear')

Para encontrar a melhor visualização para qualquer conjunto de dados específico, pode ser necessário experimentar várias escalas de cores diferentes. Além do SymLogNormescalonamento, há também a opção de utilização AsinhNorm(experimental), que possui uma transição mais suave entre as regiões linear e logarítmica da transformação aplicada aos valores dos dados, "Z". Nos gráficos abaixo, pode ser possível ver artefatos semelhantes a contornos ao redor de cada saliência, apesar de não haver recursos nítidos no próprio conjunto de dados. A asinhescala mostra um sombreamento mais suave de cada saliência.

fig, ax = plt.subplots(2, 1, sharex=True, sharey=True)

pcm = ax[0].pcolormesh(X, Y, Z,
                       norm=colors.SymLogNorm(linthresh=lnrwidth, linscale=1,
                                              vmin=-gain, vmax=gain, base=10),
                       **shadeopts)
fig.colorbar(pcm, ax=ax[0], extend='both')
ax[0].text(-2.5, 1.5, 'symlog')

pcm = ax[1].pcolormesh(X, Y, Z,
                       norm=colors.AsinhNorm(linear_width=lnrwidth,
                                             vmin=-gain, vmax=gain),
                       **shadeopts)
fig.colorbar(pcm, ax=ax[1], extend='both')
ax[1].text(-2.5, 1.5, 'asinh')


plt.show()