（最終更新月: 2024年5月）
✔このような方へ向けて書かれた記事となります
「matplotlibのcmaps（カラーマップ）ってどんな種類があるのだろう？」
「matplotlibでcmapsを使う方法を知りたい」
「cmapsの実例を見てみたい」
✔当記事を通じてお伝えすること
matplotlibのcmapsの基本
cmapsの使い方やその応用
cmapsの具体的な利用例
この記事では、matplotlibのcmapsの基本から、そのオプション機能の活用方法まで、具体的な例を交えて詳しく解説しています。
ぜひ最後までお楽しみください。
筆者プロフィール
【現職】プロダクトマネージャー
【副業】ブログ（月間20万PV）/YouTube/Web・アプリ制作
「プログラミング × ライティング × 営業」の経験を活かし、30後半からのIT系職へシフト。現在はプロダクトマネージャーとして、さまざまな関係者の間に入り奮闘してます。当サイトでは、実際に手を動かせるWebアプリの開発を通じて、プログラミングはもちろん、IT職に必要な情報を提供していきます。
【当ブログで紹介しているサイト】
✔人に見せても恥ずかしくないコードを書こう
「リーダブルコード」は、わかりやすく良いコードの定義を教えてくれる本です。
- 見るからにきれいなコードの書き方
- コードの分割方法
- 変数や関数の命名規則
エンジニアのスタンダートとすべき基準を一から解説しています。
何回も読むのに値する本なので、ぜひ手にとって読んでみてください。
Matplotlibとは？
こちらでは、Matplotlibの概要についてお伝えしていきます。
Matplotlibとは、Pythonで非常に強力なデータ可視化を行うためのライブラリ。
各種グラフやチャートの描画が可能で、科学的なデータの視覚化にも多用されています。
基本的な利用方法を理解することで、多岐にわたるデータの視覚化が簡単に行えるようになります。
- Matplotlibの基本
- Matplotlibのインストール方法
- 主な使い方
Matplotlibの基本
Matplotlibを利用すると、以下のようななタイプのグラフを生成できます。
- 折れ線グラフ
- 棒グラフ
- ヒストグラム
- 散布図
また、カラーマップを利用することで、データの違いや傾向を視覚的に感認しやすくします。
# 折れ線グラフの例
import matplotlib.pyplot as plt
import numpy as np
# データの作成
x = np.linspace(0, 10, 100)
y = np.sin(x)
# グラフの作成
plt.figure(figsize=(8, 6))
plt.plot(x, y)
plt.title('Sin Wave')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
# 棒グラフの例
import matplotlib.pyplot as plt
import numpy as np
# データの作成
labels = ['A', 'B', 'C', 'D', 'E']
values = [10, 20, 15, 25, 18]
# グラフの作成
plt.figure(figsize=(8, 6))
plt.bar(labels, values)
plt.title('Bar Chart')
plt.xlabel('Category')
plt.ylabel('Value')
plt.show()Matplotlibのインストール方法
Matplotlibを使うには、Python環境にインストールする必要があります。
以下のコマンドを使ってインストールできます。
pip install matplotlib主な使い方
データを視覚化するために必要な基本的な用法を紹介します。
# ヒストグラムの例
import matplotlib.pyplot as plt
import numpy as np
# データの作成
data = np.random.normal(0, 1, 1000)
# グラフの作成
plt.figure(figsize=(8, 6))
plt.hist(data, bins=30, edgecolor='black')
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Count')
plt.show()カラーマップの基礎
こちらでは、カラーマップの基本についてお伝えしていきます。
カラーマップを理解することで、データの視覚的な情報伝達が強力になります。
- カラーマップとは？
- カラーマップの選び方
- カラーマップのカスタマイズ
カラーマップとは？
カラーマップとは、データの値範囲を色で表現する方法です。
異なる値を異なる色で表示することで、視覚的な解析が容易になります。
例えば、温度データや標高データを色で表現する際に、カラーマップが使用されます。
カラーマップの選び方
Matplotlibでカラーマップを選ぶ方法について説明します。
以下のコードでデータを視覚化できます。
import matplotlib.pyplot as plt
import numpy as np
data = np.random.rand(10, 10)
plt.imshow(data, cmap='viridis')
plt.colorbar()
plt.show()カラーマップのカスタマイズ
独自のカラーマップを作成する方法を説明します。
例えば、次のコードでカスタムカラーマップを作成できます。
from matplotlib.colors import LinearSegmentedColormap
colors = [(1, 0, 0), (0, 1, 0), (0, 0, 1)] # Red, Green, Blue
n_bins = [300, 300, 300] # Discretizes the interpolation into bins
cmap_name = 'custom_cmap'
# Create the colormap
cmap = LinearSegmentedColormap.from_list(cmap_name, colors, N=n_bins)
# Testing
plt.imshow(data, cmap=cmap)
plt.colorbar()
plt.show()カラーマップの種類
こちらでは、異なるカラーマップの種類についてお伝えします。
カラーマップの種類を理解することで、データに応じて最適なカラーマップを選択でき、視覚的効果を最大化できます。
- 連続カラーマップ
- 分岐カラーマップ
- 循環カラーマップ
- 定性的カラーマップ
- その他カラーマップ
連続カラーマップ
連続カラーマップ（Sequential）は、一連の値が増加するにつれて色が徐々に変わるもので、一貫したデータに適しています。
主に、密度や温度といった必然的な増分データに使用されます。
- 連続カラーマップの例
- 連続カラーマップの選び方
- 連続カラーマップのカスタマイズ
連続カラーマップの例
以下は一般的に使用される連続カラーマップの例です。
- Viridis
- Plasma
- Inferno
連続カラーマップの選び方
データの性質に基づき最適なカラーマップを選ぶ方法について解説します。
例えば、暗いバックグラウンドがデータの細かな差異を強調する場合は、InfernoやPlasmaが適しています。
連続カラーマップのカスタマイズ
連続カラーマップをカスタマイズする方法について説明します。
from matplotlib.colors import LinearSegmentedColormap
colors = [(1, 1, 0), (0, 1, 1), (1, 0, 1)] # Yellow, Cyan, Magenta
n_bins = [100, 100, 100]
custom_cmap = LinearSegmentedColormap.from_list('custom', colors, N=n_bins)
plt.imshow(data, cmap=custom_cmap)
plt.colorbar()
plt.show()分岐カラーマップ
分岐カラーマップ（Diverging）は、データの中央値で色が分岐し両端に向けて異なる色を持つカラーマップです。
差異の強調に適していて、中心点からの偏りを視覚的に把握しやすいです。
- 分岐カラーマップの例
- 分岐カラーマップの選び方
- 分岐カラーマップのカスタマイズ
分岐カラーマップの例
以下は分岐カラーマップの代表的な例です。
- coolwarm
- PiYG
分岐カラーマップの選び方
重要な中央値を強調したい場合に最適です。例えば、温度データなら0度を中心に設定し、凍る側と熱せられる側を異なる色で示すことができます。
分岐カラーマップのカスタマイズ
分岐カラーマップをカスタマイズする方法を紹介します。
from matplotlib.colors import DivergingNorm
norm = DivergingNorm(vmin=-10, vcenter=0, vmax=10)
plt.imshow(data, cmap='coolwarm', norm=norm)
plt.colorbar()
plt.show()循環カラーマップ
循環カラーマップ（Cyclic）は、円周周期のデータや位相角など、始点と終点が一致するデータの表示に適しています。
- 循環カラーマップの例
- 循環カラーマップの選び方
- 循環カラーマップのカスタマイズ
循環カラーマップの例
循環カラーマップの代表的な例としてhsvがあります。
循環カラーマップの選び方
位相データや方向性データを表示する際に、循環するカラーマップが不可欠です。
例えば、風向きデータなどに適用されます。
循環カラーマップのカスタマイズ
循環カラーマップをカスタマイズする方法について説明します。
from matplotlib.colors import Normalize
from matplotlib import cm
norm = Normalize(vmin=0, vmax=2*np.pi)
rgba = cm.get_cmap('hsv')(norm(data))
plt.imshow(rgba, interpolation='nearest')
plt.colorbar()
plt.show()定性的カラーマップ
定性的カラーマップ（Qualitative）は、異なるカテゴリデータを視覚化する際に用いられるカラーマップです。
特定の色がカテゴリを示し、色の違いでカテゴリを識別しやすくします。
- 定性的カラーマップの例
- 定性的カラーマップの選び方
- 定性的カラーマップのカスタマイズ
定性的カラーマップの例
以下は定性的カラーマップの例です。
- tab10
- Set3
定性的カラーマップの選び方
カテゴリデータが明確に区別できるよう、十分な色数があるカラーマップを選びましょう。
データが多くなる場合には、カテゴリ間で混同しないよう工夫が必要です。
定性的カラーマップのカスタマイズ
定性的カラーマップをカスタマイズする方法を説明します。
from matplotlib.colors import ListedColormap
custom_colors = ['#FF0000', '#00FF00', '#0000FF']
custom_cmap = ListedColormap(custom_colors)
plt.scatter(x, y, c=labels, cmap=custom_cmap)
plt.colorbar()
plt.show()その他カラーマップ
こちらでは、上記のカテゴリに該当しないその他のカラーマップを紹介します。
- その他カラーマップの例
- その他カラーマップの選び方
- その他カラーマップのカスタマイズ
その他カラーマップの例
その他カラーマップの例
Matplotlibには、連続、分岐、循環、定性的カラーマップ以外にも、様々な用途に合わせたカラーマップが用意されています。例えば、地理データや地形データの可視化に適した以下のようなカラーマップがあります。
gist_earth: 地球の地形を表現するカラーマップterrain: 地形の高低を表すカラーマップ
import matplotlib.pyplot as plt
import numpy as np
# データの作成
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(-(X**2 + Y**2))
# gist_earthカラーマップ
plt.figure(figsize=(8, 6))
plt.contourf(X, Y, Z, cmap='gist_earth')
plt.colorbar()
plt.title('gist_earth Colormap')
plt.show()
# terrainカラーマップ
plt.figure(figsize=(8, 6))
plt.contourf(X, Y, Z, cmap='terrain')
plt.colorbar()
plt.title('terrain Colormap')
plt.show()その他カラーマップの選び方
特定の用途に合わせてカラーマップを選ぶ際は、データの性質や目的に応じて適切なものを選びます。
例えば、地理データや地形データを可視化する場合は、上記の gist_earth や terrain などの地理系カラーマップが適しています。
一方、科学データの可視化には viridis などの連続カラーマップが適しています。
その他カラーマップのカスタマイズ
Matplotlibでは、既存のカラーマップをカスタマイズすることも可能です。
LinearSegmentedColormap クラスを使って、カラーマップの色やカラーポイントを指定できます。
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LinearSegmentedColormap
# カスタムカラーマップの定義
colors = ['darkblue', 'skyblue', 'lightgreen', 'yellow', 'red']
cmap = LinearSegmentedColormap.from_list('custom', colors)
# データの作成
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(-(X**2 + Y**2))
# カスタムカラーマップの利用
plt.figure(figsize=(8, 6))
plt.contourf(X, Y, Z, cmap=cmap)
plt.colorbar()
plt.title('Custom Colormap')
plt.show()カラーマップの応用
こちらでは、カラーマップの応用についてお伝えします。
カラーマップを応用することで、データの表現力がさらに向上するでしょう。
- 明度の調整
- グレースケール変換
- 色覚異常への配慮
明度の調整
明度はデータの視覚的理解を助ける重要な要素です。
明度を調整する方法です。
from matplotlib.colors import LightSource
ls = LightSource(azdeg=315, altdeg=45)
shaded_data = ls.shade(data, cmap='viridis')
plt.imshow(shaded_data)
plt.colorbar()
plt.show()グレースケール変換
データをグレースケールで表示する方法について説明します。
グレースケールは印刷物などで有効です。
grayscale_cmap = plt.cm.get_cmap('gray')
plt.imshow(data, cmap=grayscale_cmap)
plt.colorbar()
plt.show()色覚異常への配慮
色覚異常の方々にとって見やすいカラーマップを選ぶことも重要です。
色覚異常に配慮した設定方法について説明します。
plt.imshow(data, cmap='cividis') # 色覚異常に対応したカラーマップ
plt.colorbar()
plt.show()実践例：データの可視化
こちらでは、カラーマップを使った具体的なデータ可視化の例を紹介します。
実践を通じて理解を深めましょう。
- ヒートマップの作成
- 散布図でのカラーマップの使用
- 等高線図の作成
ヒートマップの作成
ヒートマップを使ったカラーマップの使用例です。
以下のコード例で、温度データをカラーマップで視覚化します。
temperatures = np.random.rand(100, 100) * 30
plt.imshow(temperatures, cmap='coolwarm')
plt.colorbar(label='Temperature (°C)')
plt.title('Heatmap of Temperatures')
plt.show()散布図でのカラーマップの使用
散布図にカラーマップを適用する方法を説明します。
これにより、異なるカテゴリやグループごとにデータを色分けが可能です。。
plt.scatter(x, y, c=z, cmap='viridis')
plt.colorbar(label='Category')
plt.title('Scatter Plot with Colormap')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()等高線図の作成
等高線図でカラーマップを活用する方法について説明します。
等高線図は、地理データや標高データに対して効果が高いです。
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))
plt.contourf(X, Y, Z, levels=50, cmap='terrain')
plt.colorbar()
plt.title('Contour Plot with Colormap')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()まとめ
Matplotlibには多様なカラーマップが用意されており、データの性質や目的に合わせて適切なものの選択が重要です。
カラーマップの適切な選択と活用は、データの視覚化の質を大きく左右します。
当記事で紹介した情報を活用し、わかりやすく魅力的な可視化を実現しましょう。