Colormap Matplotlib: Menyesuaikan Skema Warna Anda

Visualisasi data adalah salah satu cara terbaik (jika bukan yang terbaik) bagi analis data dan data scientist untuk merepresentasikan informasi yang kompleks dan menghasilkan wawasan yang bermakna. Untuk memaksimalkan kesempatan Anda berkomunikasi dengan pemangku kepentingan, saya telah mengumpulkan informasi bermanfaat tentang colormap Matplotlib. 

Seperti yang akan Anda lihat dalam artikel ini, Matplotlib adalah pustaka visualisasi di Python yang sangat serbaguna dan mudah diperluas. Pustaka ini menawarkan semua opsi, mulai dari bagan sederhana hingga visual interaktif penuh. Jika Anda belum terlalu akrab dengan Python, saya sarankan Anda mendaftar kursus Introduction to Python kami terlebih dahulu untuk memahami dasarnya. Secara pribadi, saya juga selalu menyimpan Python Cheat Sheet di dekat saya karena itu adalah referensi yang berguna untuk fungsi-fungsi umum.

Memilih Colormap Matplotlib yang Tepat

Salah satu hal pertama yang perlu dipertimbangkan adalah memilih antara colormap sequential, diverging, atau categorical. Faktor penting lainnya saat memilih colormap termasuk keseragaman perseptual, yang berarti bahwa perbedaan yang sama dalam nilai data dipersepsikan sebagai perbedaan yang sama dalam warna, serta menggunakan opsi colormap yang ramah bagi penderita buta warna agar visual Anda dapat diakses oleh semua audiens.

Anda juga harus mempertimbangkan standar domain yang berbeda saat memilih colormap. Misalnya, gradasi biru yang berbeda mewakili kedalaman air yang berbeda dalam studi oseanografi. Jika Anda tidak yakin colormap yang tepat untuk visualisasi Anda, tersedia berbagai alat dan sumber daya sebagai panduan. Secara khusus, kursus kami Introduction to Data Visualization with Matplotlib membantu Anda menghadapi banyak skenario.

Berbagai Colormap di Matplotlib

Di Python, modul matplotlib.colormaps menyediakan akses ke colormap bawaan, yang membantu Anda memilih skema terbaik untuk proyek Anda. Berikut adalah kategori opsi yang paling umum:

Colormap sequential

Colormap sequential merepresentasikan data berurutan yang berkembang dari nilai rendah ke tinggi. Warna bertransisi dari rona terang ke gelap, menunjukkan magnitudo data pada tingkat yang berbeda. Contoh colormap sequential adalah pada heatmap untuk data suhu, di mana warna yang lebih terang mewakili suhu lebih dingin dan rona yang lebih gelap mewakili suhu lebih panas.

Asumsikan Anda memiliki dataset dengan kolom tanggal dan suhu. Kode berikut akan membuat heatmap untuk suhu.

# Import required libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors

# Step 1: Extract month and day information from the date column
calendar_data = temperature_data.copy()   # Create a copy to work with
calendar_data['Month'] = calendar_data['Date'].dt.strftime('%B')
calendar_data['Day'] = calendar_data['Date'].dt.day

# Step 2: Define the order of months for a natural calendar sequence
month_names = ['January', 'February', 'March', 'April', 'May', 'June', 
               'July', 'August', 'September', 'October', 'November', 'December']

# Convert the 'Month' column to a categorical type with the specified order
calendar_data['Month'] = pd.Categorical(calendar_data['Month'], categories=month_names, ordered=True)

# Step 3: Pivot the data to create a structured table for the heatmap
monthly_temperature_table = calendar_data.pivot(index='Month', columns='Day', values='Temperature')

# Step 4: Set up the plot for the heatmap
plt.figure(figsize=(12, 8))

# Define a custom normalization for temperature range (optional)
norm = mcolors.Normalize(vmin=15, vmax=35)

# Create the heatmap with a sequential colormap
heatmap = plt.imshow(monthly_temperature_table, cmap='YlOrRd', aspect='auto', norm=norm)

# Add color bar to represent temperature
colorbar = plt.colorbar(heatmap, orientation='horizontal')
colorbar.set_label('Temperature (°C)', labelpad=10)

# Label the axes
plt.xlabel('Day of the Month')
plt.ylabel('Month')

# Set y-ticks to display month names instead of numbers
plt.yticks(ticks=np.arange(len(month_names)), labels=month_names)

# Add a title to the heatmap
plt.title('Monthly Temperature Heatmap (Sequential Colormap)')

# Display the plot
plt.grid(False)
plt.show()

Contoh visualisasi colormap sequential Matplotlib. Gambar oleh Penulis

Colormap diverging

Colormap diverging menonjolkan data dengan deviasi dari nilai pusat ke dua arah. Colormap diverging memiliki warna kontras untuk arah positif dan negatif. Penerapan umum colormap diverging adalah pada data keuangan untuk merepresentasikan laba dan rugi.

# Set 'Month' as the index
profit_loss_df.set_index('Month', inplace=True)

# Set the figure size
plt.figure(figsize=(8, 4))

# Create a diverging colormap
cmap = plt.cm.RdYlGn

# Display the data as a heatmap using imshow
im = plt.imshow(profit_loss_df.T, cmap=cmap, aspect='auto', vmin=-np.max(np.abs(profit_loss_data)), vmax=np.max(np.abs(profit_loss_data)))

# Add color bar with label
cbar = plt.colorbar(im)
cbar.set_label('Profit/Loss ($)')

# Add annotations to each cell
for i, month in enumerate(profit_loss_df.index):
    plt.text(i, 0, f'{profit_loss_df.loc[month, "Profit/Loss"]:.2f}', ha='center', va='center', color='black')

# Set x-axis and y-axis labels and ticks
plt.xlabel('Month')
plt.ylabel('')  # No label needed for y-axis
plt.xticks(ticks=range(len(profit_loss_df.index)), labels=profit_loss_df.index, rotation=45)
plt.yticks([])  # Hide y-axis ticks as we only have one row

# Add title
plt.title('Profit/Loss Heatmap (Diverging Colormap)')

# Adjust layout for better display
plt.tight_layout()

# Show plot
plt.show()

Contoh visualisasi colormap diverging Matplotlib. Gambar oleh Penulis.

Colormap cyclic

Colormap cyclic berguna untuk memvisualisasikan data yang merepresentasikan pola berulang atau siklikal, seperti sudut, fase gelombang, atau waktu dalam sehari. Contoh colormap cyclic dalam praktik adalah memvisualisasikan fase fungsi periodik, seperti gelombang sinus.

# Create data for a sine wave
x = np.linspace(0, 2 * np.pi, 100)  # X values from 0 to 2π (one complete cycle)
y = np.sin(x)  # Y values (sine of X)

# Create a figure and axis
plt.figure(figsize=(10, 6))

# Create a scatter plot with a cyclic colormap
# Color points by their position in the sine wave cycle
points = plt.scatter(x, y, c=x, cmap='twilight', edgecolor='black')

# Add a color bar to show the phase of the wave
cbar = plt.colorbar(points)
cbar.set_label('Wave Phase (Radians)', rotation=270, labelpad=15)

# Label the axes
plt.xlabel('Angle (Radians)')
plt.ylabel('Sine Value')

# Add a title
plt.title('Sine Wave with Cyclic Colormap (Twilight)')

# Display the plot
plt.grid(True)
plt.show()

Contoh visualisasi colormap cyclic Matplotlib. Gambar oleh Penulis.

Colormap kualitatif

Colormap kualitatif ideal untuk merepresentasikan data kategorikal tanpa urutan kategori tertentu. Penggunaan umum colormap kualitatif adalah bagan pai di mana setiap segmen mewakili kategori berbeda yang mudah dibedakan.

# Sample categorical data
categories = ['Category A', 'Category B', 'Category C', 'Category D', 'Category E']
values = [20, 35, 25, 10, 10]

# Set the figure size
plt.figure(figsize=(8, 8))

# Define a qualitative colormap manually
colors = ['#8dd3c7', '#ffffb3', '#bebada', '#fb8072', '#80b1d3']  # Manually selected color hex codes

# Create a pie chart
plt.pie(values, labels=categories, autopct='%1.1f%%', startangle=90, colors=colors)

# Equal aspect ratio ensures the pie is drawn as a circle
plt.axis('equal')

# Add a title
plt.title('Pie Chart with Qualitative Colormap')

# Display the chart
plt.show()

Contoh visualisasi colormap kualitatif Matplotlib. Gambar oleh Penulis.

Colormap pelangi

Colormap pelangi seperti hsv digunakan saat diperlukan rentang rona yang luas.

# Generate cyclic data
x = np.linspace(0, 2 * np.pi, 500)
y = np.sin(x)

# Create a plot with rainbow colormap
plt.scatter(x, y, c=x, cmap='hsv', s=50)

# Add a color bar
plt.colorbar(label='Phase')

# Add labels and title
plt.xlabel('Angle (radians)')
plt.ylabel('Sine Value')
plt.title('Cyclic Data Visualization using HSV Colormap')

# Display the plot
plt.show()

Contoh visualisasi colormap pelangi Matplotlib. Gambar oleh Penulis.

Colormap seragam secara perseptual

Colormap seperti inferno dan plasma menawarkan visibilitas yang lebih baik di berbagai media tampilan.

# Generate synthetic elevation data
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2)) * 100  # Elevation data

# Plot the elevation data using the 'plasma' colormap
plt.contourf(X, Y, Z, cmap='plasma')

# Add a color bar
plt.colorbar(label='Elevation (m)')

# Add title and labels
plt.title('Topographic Map (Plasma Colormap)')
plt.xlabel('X Coordinate')
plt.ylabel('Y Coordinate')

# Display the plot
plt.show()

Contoh visualisasi colormap seragam secara perseptual Matplotlib. Gambar oleh Penulis.

Membuat dan Memodifikasi Colormap Matplotlib

Meskipun Matplotlib memiliki beragam colormap bawaan, ada skenario di mana Anda ingin menyesuaikan warna Anda. Alat utama untuk membuat colormap kustom di Matplotlib adalah ListedColormap dan LinearSegmentedColormap.

Membuat colormap kustom dengan ListedColormap

ListedColomap memungkinkan Anda membuat colormap dari daftar warna spesifik. Metode ini berguna saat menetapkan warna tertentu untuk kategori yang berbeda pada data kategorikal. 

from matplotlib.colors import ListedColormap

# Categorical data
categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [25, 40, 35, 30]

# Custom color list for the colormap (e.g., shades of blue, green, red, and purple)
custom_colors = ['#1f77b4', '#2ca02c', '#d62728', '#9467bd']

# Create a ListedColormap using the custom colors
custom_cmap = ListedColormap(custom_colors)

# Set the figure size
plt.figure(figsize=(8, 6))

# Create a bar plot with the custom colormap
bars = plt.bar(categories, values, color=custom_cmap.colors)

# Add a title
plt.title('Bar Chart with Custom ListedColormap')

# Label the axes
plt.xlabel('Categories')
plt.ylabel('Values')

# Display the plot
plt.show()

Colormap kustom Matplotlib dengan ListedColormap. Gambar oleh Penulis.

Membuat colormap kustom dengan LinearSegmentedColormap

LinearSegmentedColormap memungkinkan Anda membuat colormap yang bertransisi mulus antarwarna. Ini patut diketahui karena data kontinu sering memerlukan perubahan warna gradien. Di sini, saya juga menentukan jumlah interval yang saya inginkan untuk visual saya.

from matplotlib.colors import LinearSegmentedColormap

# Create a grid of values for a 2D Gaussian function
x = np.linspace(-2, 2, 500)
y = np.linspace(-2, 2, 500)
X, Y = np.meshgrid(x, y)
Z = np.exp(- (X**2 + Y**2))

# Define a custom colormap that transitions from blue to white to red
colors = ['blue', 'white', 'red']
custom_cmap = LinearSegmentedColormap.from_list('blue_white_red', colors)

# Adjust the number of color classes (discrete levels)
# Specify the number of levels (e.g., 10 for 10 distinct color bands)
num_classes = 10
levels = np.linspace(Z.min(), Z.max(), num_classes)

# Set the figure size
plt.figure(figsize=(8, 6))

# Plot the 2D Gaussian function with the adjusted colormap
contour = plt.contourf(X, Y, Z, levels=levels, cmap=custom_cmap)

# Add a color bar to show the discrete color classes
plt.colorbar(contour, label='Gaussian Function Value')

# Add labels for the axes
plt.xlabel('X')
plt.ylabel('Y')

# Add a title
plt.title(f'2D Gaussian with {num_classes} Discrete Color Classes')

# Display the plot
plt.show()

Menyesuaikan jumlah kelas warna kustom Matplotlib. Gambar oleh Penulis.

Menyesuaikan rentang dan intensitas warna

Anda dapat mengendalikan intensitas atau rentang warna pada colormap yang ada dengan memanipulasi normalisasinya atau melakukan slicing untuk menggunakan subset warna yang tersedia. Pada contoh berikut, rentang warna dipotong untuk menampilkan suhu antara 16 dan 40 derajat Celcius.

# Set up the plot for the heatmap
plt.figure(figsize=(12, 8))

# Define a custom normalization for temperature range
norm = mcolors.Normalize(vmin=16, vmax=40)

# Create the heatmap with a sequential colormap
heatmap = plt.imshow(monthly_temperature_table, cmap='YlOrRd', aspect='auto', norm=norm)

# Add color bar to represent temperature
colorbar = plt.colorbar(heatmap, orientation='horizontal')
colorbar.set_label('Temperature (°C)', labelpad=10)

# Label the axes
plt.xlabel('Day of the Month')
plt.ylabel('Month')

# Set y-ticks to display month names instead of numbers
plt.yticks(ticks=np.arange(len(month_names)), labels=month_names)

# Add a title to the heatmap
plt.title('Monthly Temperature Heatmap (Sequential Colormap)')

# Display the plot
plt.grid(False)
plt.show()

Menyesuaikan rentang dan intensitas warna Matplotlib. Gambar oleh Penulis.

Menggabungkan colormap yang ada

Anda juga dapat menggabungkan colormap yang ada dengan mencampurkan beberapa colormap untuk membuat visualisasi yang lebih kompleks.

from matplotlib.colors import LinearSegmentedColormap, Normalize

# Create synthetic elevation data
x = np.linspace(-180, 180, 500)  # Longitude
y = np.linspace(-90, 90, 250)    # Latitude
X, Y = np.meshgrid(x, y)
Z = 5000 * np.sin(np.sqrt(X**2 + Y**2) * np.pi / 180)  # Synthetic elevation data

# Define the base colormaps ('viridis' and 'cividis')
cmap1 = plt.get_cmap('viridis')
cmap2 = plt.get_cmap('cividis')

# Create a custom colormap by blending the two base colormaps
def blend_colormaps(cmap1, cmap2, blend_ratio=0.5):
    """Blend two colormaps together."""
    c1 = cmap1(np.linspace(0, 1, 256))
    c2 = cmap2(np.linspace(0, 1, 256))
    blended_colors = (1 - blend_ratio) * c1 + blend_ratio * c2
    return LinearSegmentedColormap.from_list('blended_cmap', blended_colors)

# Create the blended colormap
custom_cmap = blend_colormaps(cmap1, cmap2, blend_ratio=0.5)

# Normalize the data for visualization
norm = Normalize(vmin=-5000, vmax=5000)

# Set the figure size
plt.figure(figsize=(12, 6))

# Plot the synthetic elevation data with the blended colormap
contour = plt.contourf(X, Y, Z, levels=100, cmap=custom_cmap, norm=norm)

# Add a color bar to show the blended color mapping
plt.colorbar(contour, label='Elevation (meters)')

# Add labels for the axes
plt.xlabel('Longitude')
plt.ylabel('Latitude')

# Add a title
plt.title('Geographical Elevation Data with Blended Colormap (Viridis + Cividis)')

# Display the plot
plt.show()

Menggabungkan colormap yang ada di Matplotlib. Gambar oleh Penulis.

Membalik colormap menggunakan sufiks _r

Anda dapat membalik colormap apa pun di Matplotlib dengan menambahkan sufiks _r pada namanya.

# Set up the plot for the heatmap
plt.figure(figsize=(12, 8))

# Create a custom normalization for the color range
norm = mcolors.Normalize(vmin=16, vmax=40)

# Plot the heatmap using imshow with the sequential colormap
im = plt.imshow(monthly_temperature_table, cmap='YlOrRd_r', norm=norm, aspect='equal')

# Add a color bar with a horizontal orientation
cbar = plt.colorbar(im, orientation='horizontal', pad=0.1)
cbar.set_label('Temperature (°C)', labelpad=10)

# Add labels for the axes
plt.xlabel('Day of the Month')
plt.ylabel('Month')

# Set y-ticks to display month names instead of numbers
plt.yticks(ticks=np.arange(len(month_names)), labels=month_names)

# Add a title
plt.title('Temperature Heatmap (Sequential Colormap)')

# Display the plot
plt.show()

Membalik colormap di Matplotlib menggunakan sufiks _r. Gambar oleh Penulis.

Menangani Kesalahan Umum pada Colormap Matplotlib

Saat bekerja dengan colormap di Matplotlib, Anda mungkin menemui kesalahan yang memengaruhi alur kerja Anda. Berikut adalah beberapa kesalahan dan cara menanganinya.

AttributeError: module 'matplotlib' has no attribute 'colormaps’

Kesalahan ini terjadi saat Anda menggunakan Matplotlib versi sebelum 3.4.0 untuk mengakses matplotlib.colormaps. Atribut colormaps diperkenalkan di Matplotlib 3.4.0. Pertama, periksa versi Matplotlib Anda menggunakan kode di bawah ini untuk menelusuri kesalahan ini.

import matplotlib
print(matplotlib.__version__)

Tingkatkan menggunakan perintah pip berikut.

pip install --upgrade matplotlib

Jika Anda mengalami masalah saat meningkatkan versi Matplotlib, coba metode berikut untuk mengakses colormap.

plt.get_cmap('viridis')  # instead of matplotlib.colormaps['viridis']

Penetapan warna yang tidak tepat

Anda mungkin mengalami penetapan warna yang tidak tepat saat Anda memberikan nilai di luar rentang yang diharapkan atau saat colormap diterapkan secara keliru. Penetapan warna yang tidak tepat juga dapat muncul jika colormap ditujukan untuk data kontinu tetapi diterapkan pada data kategorikal atau sebaliknya.

Untuk memastikan data Anda berada dalam rentang yang diharapkan, selalu lakukan normalisasi atau penskalaan menggunakan parameter vmax dan vmin.

import matplotlib.colors as mcolors

# Create a sample temperature dataset
data = np.random.rand(10, 10) * 100  # Adjust the range to match your data

# Create a color normalization instance to scale the data to the colormap's range
norm = mcolors.Normalize(vmin=0, vmax=100)

# Create a heatmap using the 'viridis' colormap and the specified normalization
plt.imshow(data, cmap='viridis', norm=norm, interpolation='nearest')
plt.colorbar()
plt.show()

Untuk kontrol yang lebih halus, Anda dapat secara eksplisit mendefinisikan batas warna menggunakan parameter boundaries atau norm dalam fungsi plotting.

Artefak visual dan hasil yang tidak terduga

Saat bekerja dengan data diskret atau beresolusi rendah, Anda mungkin mengalami pita warna yang tidak diinginkan, kontras berlebihan, atau perembesan warna. Masalah ini terjadi ketika data Anda memiliki rentang terbatas tetapi ditampilkan dengan colormap kontinu.

Untuk mengatasi masalah ini, gunakan lebih banyak titik data atau sesuaikan jumlah level warna untuk memperhalus transisi.

# Increase the number of bins in the colormap
cmap = plt.get_cmap('viridis', 256)
plt.imshow(data, cmap=cmap)

Anda dapat membagi colormap menjadi level tetap untuk menangani data diskret jika sesuai.

cmap = plt.get_cmap('inferno', 10)  # Divide colormap into 10 discrete levels
plt.imshow(data, cmap=cmap)

Anda juga dapat memeriksa pengaturan tampilan dan menyesuaikan resolusi terutama saat menyimpan visualisasi untuk menghindari bagan beresolusi rendah

plt.savefig('plot.png', dpi=300)  # Save the figure with a higher resolution

Distorsi warna karena clipping

Distorsi warna terjadi saat data berisi nilai ekstrem di luar rentang warna yang diharapkan. Hal ini menyebabkan bagian data terpotong dan diberi warna minimum atau maksimum dalam colormap.

Untuk menghindari distorsi warna, sesuaikan batas warna menggunakan vmin dan vmax agar sesuai dengan rentang data Anda, sehingga mencegah clipping.

plt.imshow(data, cmap='plasma', vmin=0, vmax=100)

Anda juga harus menggunakan penskalaan robust untuk menangani outlier dengan menetapkan batas kustom yang mengecualikan nilai ekstrem.

import numpy as np
robust_vmin, robust_vmax = np.percentile(data, [2, 98])  # Use percentiles to remove extreme outliers
plt.imshow(data, cmap='inferno', vmin=robust_vmin, vmax=robust_vmax)

Colormap tidak tampil dengan benar pada plot 3D

Jika terjadi masalah pada cara pemetaan data di permukaan 3D, colormap mungkin tidak tampil dengan benar pada visualisasi 3D. Untuk mengatasinya, pastikan data sumbu z dinormalisasi agar sesuai dengan rentang yang diharapkan colormap. Juga, gunakan batas colormap yang sesuai untuk menangkap seluruh rentang nilai z.

from mpl_toolkits.mplot3d import Axes3D

# Generate sample data for a 3D surface plot
X, Y = np.meshgrid(np.linspace(-5, 5, 50), np.linspace(-5, 5, 50))
Z = np.sin(np.sqrt(X**2 + Y**2))

# Create a 3D axes object
ax = plt.axes(projection='3d')

# Plot the surface using the 'viridis' colormap and adjusting the color limits
ax.plot_surface(X, Y, Z, cmap='viridis', vmin=np.min(Z), vmax=np.max(Z))
plt.show()

Kesimpulan

Memilih colormap yang tepat adalah langkah penting karena sangat memengaruhi bagaimana pengguna melihat dan memahami data Anda. Menurut saya, menghabiskan banyak waktu untuk analisis data tetapi ceroboh pada langkah terakhir, yaitu bagian saat Anda menyampaikan temuan, adalah kesalahan besar.

Untungnya, Matplotlib menawarkan banyak opsi untuk memastikan visual Anda menyampaikan cerita yang kuat. Daftarkan diri Anda di kursus kami, Introduction to Data Visualization with Matplotlib, untuk menjadi ahli. Selain itu, jika Anda pengguna Python yang juga menggunakan Seaborn untuk visualisasi (bagus jika menguasai keduanya), baca Panduan Singkat Memilih Warna di Seaborn dan lanjutkan dengan kursus Introduction to Data Visualization with Seaborn.