Matplotlib有许多可通过Matplotlib.colormaps访问的内置颜色映射。还有一些外部库提供许多扩展的颜色映射，这可以在Matplotllib文档的第三方颜色映射（Third-party colormaps）部分查看。在这里，我们简要讨论如何在众多选项中进行选择。而有关如何创建自己的颜色映射，请参见在Matplotlib中创建颜色映射（Creating Colormaps in Matplotlib）。
概述
为了能在3D颜色空间（3D colorspace，用三个变量描述颜色，例如RGB）很好地展示数据集，务必要选择一个好的颜色映射。对于任何给定数据集，最佳的颜色映射取决于许多因素，包括：
· 表示形式数据还是测量数据（[Ware]）
· 对数据集的了解（例如，是否存在偏离其他值的临界值？）
· 绘图参数中是否有直观的配色方案
· 观众在该领域是否有标准的期待
对于许多应用程序，视觉上均匀颜色映射是最佳选择；即其中数据的相等步长被映射为颜色空间中的相等步长的颜色映射。研究人员发现，人类大脑将亮度的变化感知为数量的变化，这比其他的变化（如色调）要好得多。因此，通过单调增加亮度的颜色映射绘制的伪色彩图，能被观看者更好地理解。在第三方颜色映射（Third-party colormaps）部分也可以找到均匀颜色映射的精彩示例。
颜色有多种的三维表示方案。其中一种方案是CIELAB。在CIELAB方案中，颜色空间的三维分别是：亮度（lightness，L*表示）；红到绿（red-green，a*表示）；以及黄到蓝（yellow-blue，b*表示）。亮度参数L*可以用来了解更多关于观看者将如何感知matplotlib伪色彩图的信息。
学习人类对伪色彩图感知的一个很好的起点资源来自[IBM]。
伪色彩图的类别 伪色彩图通常根据其功能分为几个类别（例如参见[Moreland]）：1、顺序：亮度和饱和度的变化通常是递增的，通常使用单一色调；应用于表示能排序的信息。2、发散：两种不同颜色的亮度和饱和度的变化，这两种颜色在中间以不饱和的颜色相遇（开始是饱和的）；绘制的信息应具有临界中间值时使用，例如地形图，或数据分布在0的两侧附近。3、循环：两种不同颜色的亮度变化，在中间相遇，开始/结束时为非饱和颜色；应用于在端点处环绕的值，例如相位角、风向或一天中的时间。4、定性：常为杂色；应用于表示不能排序或关联的信息。
·
·
·
·
·
import numpy as npimport matplotlib as mplimport matplotlib.pyplot as pltfrom colorspacious import cspace_converter#pip install colorspacious
首先，我们将显示每个颜色映射的范围。请注意，有些人的感知颜色变化似乎比其他人更快。
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
cmaps = {}
gradient = np.linspace(0, 1, 256)gradient = np.vstack((gradient, gradient))
def plot_color_gradients(category, cmap_list): # Create figure and adjust figure height to number of colormaps nrows = len(cmap_list) figh = 0.35 + 0.15 + (nrows + (nrows - 1) * 0.1) * 0.22 fig, axs = plt.subplots(nrows=nrows + 1, figsize=(6.4, figh)) fig.subplots_adjust(top=1 - 0.35 / figh, bottom=0.15 / figh, left=0.2, right=0.99) axs[0].set_title(f'{category} colormaps', fontsize=14)
for ax, name in zip(axs, cmap_list): ax.imshow(gradient, aspect='auto', cmap=mpl.colormaps[name]) ax.text(-0.01, 0.5, name, va='center', ha='right', fontsize=10, transform=ax.transAxes)
# Turn off *all* ticks & spines, not just the ones with colormaps. for ax in axs: ax.set_axis_off()
# Save colormap list for later. cmaps[category] = cmap_list #show plt.show()
顺序 对于“顺序”绘图，通过颜色映射单调增加亮度值。这很好。一些伪色彩图中的亮度（L*）值范围从0到100（二进制和其他进制的灰度），而其他则从L*=20左右开始。那些L*范围较小的相应地具有较小的感知范围。还要注意的是L*作用在不同颜色映射中各不相同：有些L*接近线性，而另一些则是非线性的。
·
·
plot_color_gradients('Perceptually Uniform Sequential', ['viridis', 'plasma', 'inferno', 'magma', 'cividis'])
安装colorspacious后，把上面三部分程序合在一起运行，结果：
执行下面的调用：
·
·
·
·
plot_color_gradients('Sequential', ['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds', 'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu', 'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn'])
顺序2 下图中，许多“顺序2”绘图中的L*值单调增加，但有些（autumn, cool, spring, and winter）趋于平稳，或甚至同上同下。另外，如afmhot, copper, gist_heat, and hot，L*的作用有弯曲。在处于平稳或弯曲的颜色映射区域中表示的数据，将导致对颜色图中这些值中的数据的分级感知（有关这方面的优秀示例，请参见[mycarta-banding]）。
·
·
·
·
plot_color_gradients('Sequential (2)', ['binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink', 'spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia', 'hot', 'afmhot', 'gist_heat', 'copper'])
本文链接matplotlib.colormaps：
https://matplotlib.org/stable/api/matplotlib_configuration_api.html#matplotlib.colormaps
Third-party colormaps：
https://matplotlib.org/mpl-third-party/#colormaps-and-styles
Creating Colormaps in Matplotlib：
https://matplotlib.org/stable/tutorials/colors/colormap-manipulation.html
Ware：
http://ccom.unh.edu/sites/default/files/publications/Ware_1988_CGA_Color_sequences_univariate_maps.pdf
IBM：
https://matplotlib.org/stable/tutorials/colors/colormaps.html#ibm
Moreland：
http://www.kennethmoreland.com/color-maps/ColorMapsExpanded.pdf
mycarta-banding：
https://mycarta.wordpress.com/2012/10/14/the-rainbow-is-deadlong-live-the-rainbow-part-4-cie-lab-heated-body/