Matplotlib Renk Haritaları: Renk Düzenlerinizi Özelleştirme

Veri görselleştirme, veri analistleri ve veri bilimcilerin karmaşık bilgileri sunması ve anlamlı içgörüler üretmesi için en iyi yollardan biridir (hatta en iyisi olabilir). Paydaşlarla iletişim kurma fırsatınızı en iyi şekilde değerlendirmek için Matplotlib renk haritaları hakkında yararlı bilgileri bir araya getirdim. 

Bu makalede göreceğiniz üzere, Matplotlib Python'da son derece esnek ve genişletilebilir bir görselleştirme kütüphanesidir. Basit grafiklerden tamamen etkileşimli görsellere kadar her seçeneği sunar. Python’a genel olarak aşina değilseniz, başlamadan önce temellerini anlamak için Python'a Giriş kursumuza kaydolmanızı öneririm. Ben şahsen sık kullanılan fonksiyonlar için yararlı bir başvuru kaynağı olduğundan Python Cheat Sheet’i de yanımda bulunduruyorum.

Doğru Matplotlib Renk Haritasını Seçmek

Öncelikle ardışık (sequential), ayrışan (diverging) veya nitel (categorical) renk haritaları arasında karar vermek gerekir. Renk haritası seçerken dikkate alınması gereken diğer önemli unsurlar arasında algısal tekdüzelik (veri değerlerindeki eşit farkların renklerde eşit farklar olarak algılanması) ve görsellerinizi tüm kitleler için erişilebilir kılmak amacıyla renk körü dostu seçenekler kullanmak yer alır.

Renk haritası seçerken farklı alan standartlarını da göz önünde bulundurmalısınız. Örneğin, oşinografik çalışmalarda farklı mavi tonları farklı su derinliklerini temsil eder. Görselleştirmeniz için doğru renk haritasından emin değilseniz, yol göstermesi için farklı araçlar ve kaynaklar mevcuttur. Özellikle, kendi Matplotlib ile Veri Görselleştirmeye Giriş kursumuz birçok senaryoyu çalışarak öğrenmenize yardımcı olur.

Matplotlib’de Farklı Renk Haritaları

Python’da matplotlib.colormaps modülü yerleşik renk haritalarına erişim sağlar; bu da projeniz için en iyi şemayı seçmenize yardımcı olur. Aşağıdakiler en yaygın seçenek kategorileridir:

Ardışık renk haritaları

Ardışık renk haritaları düşükten yükseğe ilerleyen sıralı verileri temsil eder. Açık tonlardan koyu tonlara geçerek farklı düzeylerde veri büyüklüğünü gösterirler. Ardışık bir renk haritasına örnek, sıcaklık verileri için ısı haritalarıdır; daha açık renkler daha serin, daha koyu tonlar ise daha sıcak sıcaklıkları temsil eder.

Tarih ve sıcaklık sütunları olan bir veri kümeniz olduğunu varsayalım. Aşağıdaki kod sıcaklığın bir ısı haritasını oluşturacaktır.

# 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()

Matplotlib ardışık renk haritaları görselleştirme örneği. Görsel: Yazar

Ayrışan renk haritaları

Ayrışan renk haritaları, merkezi bir değerden her iki yönde sapmaları olan verileri vurgular. Pozitif ve negatif yönler için zıt renkler kullanırlar. Ayrışan renk haritalarının yaygın bir kullanımı, kâr ve zararı göstermek için finansal verilerde görülür.

# 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()

Matplotlib ayrışan renk haritası görselleştirme örneği. Görsel: Yazar.

Döngüsel renk haritaları

Döngüsel renk haritaları, açılar, dalga fazları veya günün saatleri gibi tekrarlayan ya da döngüsel bir deseni temsil eden verileri görselleştirmek için kullanışlıdır. Döngüsel bir renk haritasına örnek, sinüs dalgası gibi periyodik bir fonksiyonun fazlarının görselleştirilmesidir.

# 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()

Matplotlib döngüsel renk haritası görselleştirme örneği. Görsel: Yazar.

Nitel renk haritaları

Nitel renk haritaları, kategoriler arasında belirli bir sıralama olmayan kategorik verileri temsil etmek için idealdir. Nitel renk haritalarının yaygın bir kullanım örneği, her dilimin farklı ve kolay ayırt edilebilir bir kategoriyi temsil ettiği pasta grafikleridir.

# 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()

Matplotlib nitel renk haritası görselleştirme örneği. Görsel: Yazar.

Gökkuşağı renk haritaları

hsv gibi gökkuşağı renk haritaları, geniş bir ton aralığına ihtiyaç duyulduğunda kullanılır.

# 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()

Matplotlib gökkuşağı renk haritası görselleştirme örneği. Görsel: Yazar.

Algısal olarak tekdüze renk haritaları

inferno ve plasma gibi renk haritaları farklı görüntüleme ortamlarında daha iyi görünürlük sunar.

# 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()

Matplotlib algısal olarak tekdüze renk haritası görselleştirme örneği. Görsel: Yazar.

Matplotlib Renk Haritaları Oluşturma ve Değiştirme

Matplotlib çok sayıda yerleşik renk haritası sunsa da, renklerinizi özelleştirmek isteyeceğiniz senaryolar vardır. Matplotlib’de özel renk haritaları oluşturmanın ana araçları ListedColormap ve LinearSegmentedColormap’tır.

ListedColormap ile özel renk haritası oluşturma

ListedColomap, belirli renklerden oluşan bir listeden renk haritası oluşturmanıza imkân tanır. Bu yöntem, kategorik verilerde farklı kategorilere belirli renkler atamak istediğinizde kullanışlıdır. 

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()

ListedColormap ile Matplotlib özel renk haritası. Görsel: Yazar.

LinearSegmentedColormap ile özel renk haritası oluşturma

LinearSegmentedColormap, renkler arasında yumuşak geçişler yapan renk haritaları oluşturmanıza olanak tanır. Bu, bilmeye değerdir çünkü sürekli veriler sıklıkla gradyan renk değişimleri gerektirir. Burada ayrıca görselim için istediğim aralık (interval) sayısını belirtiyorum.

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()

Matplotlib’de renk sınıfı sayısını ayarlama. Görsel: Yazar.

Renk aralıklarını ve yoğunluğunu özelleştirme

Mevcut bir renk haritasındaki renklerin yoğunluğunu veya aralığını, normalizasyonunu değiştirerek veya kullanılabilir renklerin bir alt kümesini kullanacak şekilde dilimleyerek kontrol edebilirsiniz. Aşağıdaki örnekte, renk aralıkları 16 ile 40 derece Santigrat arasındaki sıcaklıkları gösterecek şekilde dilimlenmiştir.

# 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()

Matplotlib’de renk aralıklarını ve yoğunluğunu özelleştirme. Görsel: Yazar.

Mevcut renk haritalarını birleştirme

Daha karmaşık görseller oluşturmak için birden fazla renk haritasını harmanlayarak mevcut renk haritalarını da birleştirebilirsiniz.

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()

Matplotlib’de mevcut renk haritalarını birleştirme. Görsel: Yazar.

_r sonekiyle renk haritalarını tersine çevirme

Matplotlib’de herhangi bir renk haritasını adına _r soneki ekleyerek tersine çevirebilirsiniz.

# 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()

Matplotlib’de _r sonekiyle renk haritalarını tersine çevirme. Görsel: Yazar.

Matplotlib Renk Haritalarında Yaygın Hataları Yönetme

Matplotlib’de renk haritalarıyla çalışırken iş akışınızı etkileyen hatalarla karşılaşabilirsiniz. Aşağıda bazı hatalar ve bunları nasıl gidereceğiniz yer almaktadır.

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

Bu hata, matplotlib.colormaps’e erişmek için 3.4.0 öncesi Matplotlib sürümlerini kullandığınızda oluşur. colormaps özniteliği Matplotlib 3.4.0’da tanıtıldı. Bu hatayı gidermek için önce aşağıdaki kodla Matplotlib sürümünüzü kontrol edin.

import matplotlib
print(matplotlib.__version__)

Aşağıdaki pip komutunu kullanarak yükseltin.

pip install --upgrade matplotlib

Matplotlib sürümünüzü yükseltirken sorun yaşıyorsanız, renk haritalarına erişmek için aşağıdaki yöntemi deneyin.

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

Hatalı renk atamaları

Beklenen aralığın dışında bir değer geçtiğinizde veya renk haritası yanlış uygulandığında hatalı renk atamalarıyla karşılaşabilirsiniz. Hatalı renk ataması, sürekli veriler için tasarlanmış bir renk haritasının kategorik verilere ya da tam tersine uygulanması durumunda da ortaya çıkabilir.

Verinizin beklenen aralıkta olduğundan emin olmak için her zaman vmax ve vmin parametrelerini kullanarak normalleştirin veya ölçekleyin.

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()

Daha ince kontrol için, çizim fonksiyonlarındaki boundaries veya norm parametrelerini kullanarak renk sınırlarını açıkça tanımlayabilirsiniz.

Görsel yapıtlar ve beklenmeyen sonuçlar

Ayrık veya düşük çözünürlüklü verilerle çalışırken istenmeyen renk bantları, aşırı kontrast veya renk taşması yaşayabilirsiniz. Veri aralığınız sınırlı olup sürekli bir renk haritasıyla görüntülendiğinde bu sorun ortaya çıkar.

Bu sorunu çözmek için daha fazla veri noktası kullanın veya geçişleri yumuşatmak amacıyla renk seviyelerinin sayısını ayarlayın.

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

Uygun olduğunda ayrık verileri işlemek için renk haritasını sabit seviyelere bölebilirsiniz.

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

Ayrıca, görselleştirmeleri kaydederken düşük çözünürlüklü grafiklerden kaçınmak için ekran ayarlarını kontrol edebilir ve çözünürlüğü ayarlayabilirsiniz

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

Kırpma nedeniyle renk bozulması

Veriler, beklenen renk aralığının dışında aşırı değerler içerdiğinde renk bozulması oluşur. Bu, verinin bazı kısımlarının kırpılmasına ve renk haritasındaki en düşük veya en yüksek renge atanmasına neden olur.

Renk bozulmasını önlemek için, kırpmayı engellemek üzere verinizin aralığına uyacak şekilde vmin ve vmax kullanarak renk sınırlarını ayarlayın.

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

Aykırı değerleri ele almak için aşırı değerleri hariç tutan özel sınırlar belirleyerek sağlam ölçekleme (robust scaling) de kullanmalısınız.

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)

3B grafiklerde renk haritasının doğru görüntülenmemesi

3B yüzeyde verinin eşlenmesinde bir sorun varsa, 3B görselleştirmelerde renk haritaları doğru görünmeyebilir. Çözmek için, z ekseni verisinin renk haritasının beklenen aralığına uyacak şekilde normalleştirildiğinden emin olun. Ayrıca z değerlerinin tam aralığını yakalamak için uygun renk haritası sınırlarını kullanın.

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()

Sonuç

Doğru renk haritasını seçmek önemlidir çünkü kullanıcıların verinizi nasıl gördüğünü ve anladığını doğrudan etkiler. Bana göre, veri analizine çok zaman harcayıp bulgularınızı ilettiğiniz son adımda özensiz olmak büyük bir hatadır.

Neyse ki, Matplotlib görsellerinizin etkileyici bir hikâye anlatmasını sağlamak için birçok seçenek sunuyor. Uzmanlaşmak için Matplotlib ile Veri Görselleştirmeye Giriş kursumuza kaydolun. Ayrıca, görselleştirme için Seaborn da kullanan bir Python kullanıcısıysanız (ikisini de bilmek harikadır), Seaborn’da Renk Seçimi Hızlı Rehberi’ni okuyun ve ardından Seaborn ile Veri Görselleştirmeye Giriş kursumuzu takip edin.