问题描述：

我有以下代码：

import matplotlib.pyplot as plt

cdict = {
  'red'  :  ( (0.0, 0.25, .25), (0.02, .59, .59), (1., 1., 1.)),
  'green':  ( (0.0, 0.0, 0.0), (0.02, .45, .45), (1., .97, .97)),
  'blue' :  ( (0.0, 1.0, 1.0), (0.02, .75, .75), (1., 0.45, 0.45))
}
 
cm = m.colors.LinearSegmentedColormap('my_colormap', cdict, 1024)
 
plt.clf()
plt.pcolor(X, Y, v, cmap=cm)
plt.loglog()
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
 
plt.colorbar()
plt.show()

这将使用指定的颜色图生成 X 轴与 Y 轴上的值图表v。X 轴和 Y 轴完美无缺，但颜色图分布在 的最小值和最大值之间v。我想强制颜色图的范围在 0 到 1 之间。

我想到使用：

plt.axis(...)

设置轴的范围，但这仅接受 X 和 Y 的最小值和最大值的参数，而不是颜色图。

编辑：

为了清楚起见，假设我有一张图，其值范围为（0 ... 0.3），还有另一张图，其值范围为（0.2 ... 0.8）。

在这两个图表中，我希望颜色条的范围为 (0 ... 1)。在这两个图表中，我希望使用cdict上面的整个范围，这个颜色范围是相同的（因此两个图表中的 0.25 将是相同的颜色）。在第一个图表中，0.3 和 1.0 之间的所有颜色都不会出现在图表中，但会出现在侧面的颜色条键中。在另一个图表中，0 到 0.2 之间以及 0.8 到 1 之间的所有颜色都不会出现在图表中，但会出现在侧面的颜色条中。

解决方案 1：

使用vmin和vmax强制颜色范围。以下是示例：

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

cdict = {
  'red'  :  ( (0.0, 0.25, .25), (0.02, .59, .59), (1., 1., 1.)),
  'green':  ( (0.0, 0.0, 0.0), (0.02, .45, .45), (1., .97, .97)),
  'blue' :  ( (0.0, 1.0, 1.0), (0.02, .75, .75), (1., 0.45, 0.45))
}

cm = m.colors.LinearSegmentedColormap('my_colormap', cdict, 1024)

x = np.arange(0, 10, .1)
y = np.arange(0, 10, .1)
X, Y = np.meshgrid(x,y)

data = 2*( np.sin(X) + np.sin(3*Y) )

def do_plot(n, f, title):
    #plt.clf()
    plt.subplot(1, 3, n)
    plt.pcolor(X, Y, f(data), cmap=cm, vmin=-4, vmax=4)
    plt.title(title)
    plt.colorbar()

plt.figure()
do_plot(1, lambda x:x, "all")
do_plot(2, lambda x:np.clip(x, -4, 0), "<0")
do_plot(3, lambda x:np.clip(x, 0, 4), ">0")
plt.show()

解决方案 2：

使用CLIM函数（相当于MATLAB中的CAXIS函数）：

plt.pcolor(X, Y, v, cmap=cm)
plt.clim(-4,4)  # identical to caxis([-4,4]) in MATLAB
plt.show()

解决方案 3：

不确定这是否是最优雅的解决方案（这是我使用的），但您可以将数据缩放到 0 到 1 之间的范围，然后修改颜色条：

import matplotlib as mpl
...
ax, _ = mpl.colorbar.make_axes(plt.gca(), shrink=0.5)
cbar = mpl.colorbar.ColorbarBase(ax, cmap=cm,
                       norm=mpl.colors.Normalize(vmin=-0.5, vmax=1.5))
cbar.set_clim(-2.0, 2.0)

通过两个不同的限制，您可以控制颜色条的范围和图例。在此示例中，条形图中仅显示 -0.5 到 1.5 之间的范围，而颜色图则涵盖 -2 到 2（因此这可能是您在缩放之前记录的数据范围）。

因此，您可以缩放数据并使颜色条适合该颜色图，而不是缩放颜色图。

解决方案 4：

使用图形环境和 .set_clim()

如果您有多个地块，这种替代方案可能更容易、更安全：

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

cdict = {
  'red'  :  ( (0.0, 0.25, .25), (0.02, .59, .59), (1., 1., 1.)),
  'green':  ( (0.0, 0.0, 0.0), (0.02, .45, .45), (1., .97, .97)),
  'blue' :  ( (0.0, 1.0, 1.0), (0.02, .75, .75), (1., 0.45, 0.45))
}

cm = m.colors.LinearSegmentedColormap('my_colormap', cdict, 1024)

x = np.arange(0, 10, .1)
y = np.arange(0, 10, .1)
X, Y = np.meshgrid(x,y)

data = 2*( np.sin(X) + np.sin(3*Y) )
data1 = np.clip(data,0,6)
data2 = np.clip(data,-6,0)
vmin = np.min(np.array([data,data1,data2]))
vmax = np.max(np.array([data,data1,data2]))

fig = plt.figure()
ax = fig.add_subplot(131)
mesh = ax.pcolormesh(data, cmap = cm)
mesh.set_clim(vmin,vmax)
ax1 = fig.add_subplot(132)
mesh1 = ax1.pcolormesh(data1, cmap = cm)
mesh1.set_clim(vmin,vmax)
ax2 = fig.add_subplot(133)
mesh2 = ax2.pcolormesh(data2, cmap = cm)
mesh2.set_clim(vmin,vmax)
# Visualizing colorbar part -start
fig.colorbar(mesh,ax=ax)
fig.colorbar(mesh1,ax=ax1)
fig.colorbar(mesh2,ax=ax2)
fig.tight_layout()
# Visualizing colorbar part -end

plt.show()

单一颜色条

那么最好的选择就是对整个图使用单一颜色条。有多种方法可以做到这一点，本教程对于理解最佳选择非常有用。我更喜欢这个解决方案，您可以简单地复制和粘贴，而不是之前的代码可视化颜色条部分。

fig.subplots_adjust(bottom=0.1, top=0.9, left=0.1, right=0.8,
                    wspace=0.4, hspace=0.1)
cb_ax = fig.add_axes([0.83, 0.1, 0.02, 0.8])
cbar = fig.colorbar(mesh, cax=cb_ax)

附言

我建议使用pcolormesh而不是pcolor因为它更快（更多信息在这里）。

解决方案 5：

也可以通过在/调用中将元组传递给clim=kwarg来设置颜色条范围。pcolormesh`pcolor`

plt.pcolormesh(X, Y, v, cmap=cm, clim=(-4, 4))

如果在调用后必须更新颜色条范围pcolormesh，那么最简单的方法就是plt.clim其他人提到的方法。另一种方法是通过/调用创建的/colors.Normalize对象。QuadMesh`PolyCollectionpcolormeshpcolor`

pmesh = plt.pcolormesh(X, Y, v, cmap=cm)
pmesh.norm.autoscale([-4, 4])

附带说明一下，Quadmesh位于collectionsAxes 实例中，因此如果 a 的结果pcolormesh未分配给变量，pmesh = plt.gca().collections[0]则也可以使用。

使用tom10 的设置，可以写如下。

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

cdict = {
  'red'  :  ( (0.0, 0.25, .25), (0.02, .59, .59), (1., 1., 1.)),
  'green':  ( (0.0, 0.0, 0.0), (0.02, .45, .45), (1., .97, .97)),
  'blue' :  ( (0.0, 1.0, 1.0), (0.02, .75, .75), (1., 0.45, 0.45))
}

cm = mpl.colors.LinearSegmentedColormap('my_colormap', cdict, 1024)

X, Y = np.meshgrid(*[np.arange(0, 10, .1)]*2)

data = 2*(np.sin(X) + np.sin(3*Y))

pairs = [(lambda x:x, "all"), 
         (lambda x:np.clip(x, -4, 0), "<0"), 
         (lambda x:np.clip(x, 0, 4), ">0")]


fig, axs = plt.subplots(1, 3)
for i, (f, title) in enumerate(pairs):
    pmesh = axs[i].pcolormesh(X, Y, f(data), cmap=cm, clim=(-4, 4))
    #                                                 ^^^^^^^^^^^^  <---- set vmin and vmax
    axs[i].set_title(title)
    fig.colorbar(pmesh)

fig.tight_layout();

与其为多个子图添加重复的颜色条，不如在图的右侧添加一个颜色条，这样可能“更漂亮”。@GM 已经提出了一种解决方案，通过对颜色条边界进行硬编码来实现这一点，但可以使用此处定义的函数动态设置边界。

对于手头的例子，可以写如下。

fig, axs = plt.subplots(1, 3)
for i, (f, title) in enumerate(pairs):
    axs[i].pcolormesh(X, Y, f(data), cmap=cm, clim=(-4, 4))
    axs[i].set_title(title)

l, b, w, h = axs[-1].get_position().bounds
cax = fig.add_axes([l + w + 0.03, b, 0.03, h])
fig.colorbar(axs[-1].collections[0], cax=cax)

解决方案 6：

当使用图形环境时，可以使用颜色条实例即 colorbar.ax.set_ylim(low, high) 设置颜色条的范围：

fig, ax = plt.subplots()
im = ax.contourf(...)
colorbar = fig.colorbar(im, ax= ax)
colorbar.ax.set_ylim(0, 1)

解决方案 7：

如果您想知道如何对图像执行此操作plt.imshow()（就像我找到这个答案时一样），请继续阅读。

import numpy as np

from matplotlib import pyplot as plt
from matplotlib import cm
from matplotlib.colors import Normalize

width, height = 10, 10
data = np.arange(width * height).reshape((height, width))

fig, ax = plt.subplots()

# Create a Normalize object with the specified range
norm = Normalize(vmin=30, vmax=40)
ax.imshow(data, cmap="grey", norm=norm)

# Create a colorbar using the same Normalize object
plt.colorbar(cm.ScalarMappable(norm=norm, cmap="grey"), ax=ax)
plt.show()