0. 前言
承接 Matplotlib 系列：colormap 的设置 一文，这次介绍 colorbar。所谓 colorbar 即主图旁一个长条状的小图，能够辅助表示主图中 colormap 的颜色组成和颜色与数值的对应关系。本文将会依次介绍 colorbar 的基本用法、如何设置刻度，以及怎么为组图添加 colorbar。代码基于 Matplotlib 3.3.4。
0.0 使用论文中截取的colorbar(txt或者rgb文件)的方法
在实际绘图过程中，我们经常会用到文献中的colorbar，下面我们介绍如何将MATLAB截取文献中colorbar生成的txt文件用到绘图中。
# get gamap's WhGrYlRd color scheme from GEOS-Chem website
from matplotlib.colors import ListedColormap
WhGrYlRd_scheme = np.genfromtxt('./WhGrYlRd.txt', delimiter=' ')
WhGrYlRd = ListedColormap(WhGrYlRd_scheme/255.0)
# Then you can use the txt file as colorbar for plots
dr_surf.plot(cmap=WhGrYlRd, vmin=0, vmax=100)
0.1 截取colorbar中一部分进行使用的方法
在实际绘图过程中，我们经常会用到文献中的colorbar，下面我们介绍如何将截取colorbar中部分的颜色用到绘图中。
import matplotlib as mpl
from matplotlib.colors import ListedColormap, LinearSegmentedColormap
cmap = mpl.cm.jet_r
newcolors=cmap(np.linspace(0, 1, 256))
newcmp = ListedColormap(newcolors[:200])
效果图如下：
1. colorbar 的基本用法
Colorbar 主要通过 figure.Figure.colorbar 方法绘制，先介绍常用的几个参数
mappable：直译为“可映射的”，要求是matplotlib.cm.ScalarMappable对象，能够向 colorbar 提供数据与颜色间的映射关系（即 colormap 和 normalization 信息）。主图中使用contourf、pcolormesh和imshow等二维绘图函数时返回的对象都是ScalarMappable的子类。cax：colorbar 本质上也是一种特殊的Axes，我们为了在画布上决定其位置、形状和大小，可以事先画出一个空Axes，然后将这个Axes提供给cax参数，那么这个空Axes就会变成 colorbar。ax：有时我们懒得手动为 colorbar 准备好位置，那么可以用ax参数指定 colorbar 依附于哪个Axes，接着 colorbar 会自动从这个Axes里“偷”一部分空间来作为自己的空间。orientation：指定 colorbar 的朝向，默认为垂直方向。类似的参数还有location。extend：设置是否在 colorbar 两端额外标出归一化范围外的颜色。如果 colormap 有设置过set_under和set_over，那么使用这两个颜色。ticks：指定 colorbar 的刻度位置，可以接受数值序列或Locator对象。format：指定 colorbar 的刻度标签的格式，可以接受格式字符串，例如'%.3f'，或Formatter对象。label：整个 colorbar 的标签，类似于Axes的xlabel和ylabel。
此外 colorbar 还有些设置不能在初始化的时候一次性搞定，需要接着调用方法才能完成。
1.1 单独绘制 colorbar
虽然 colorbar 一般依附于一张填色的主图，但其实只要给出 cmap 和 norm 就能决定 colorbar 了。下面给出单独绘制 colorbar 的例子
import copy
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import matplotlib.colors as mcolors
fig, axes = plt.subplots(4, 1, figsize=(10, 5))
fig.subplots_adjust(hspace=4)
# 第一个colorbar使用线性的Normalize.
cmap1 = copy.copy(cm.viridis)
norm1 = mcolors.Normalize(vmin=0, vmax=100)
im1 = cm.ScalarMappable(norm=norm1, cmap=cmap1)
cbar1 = fig.colorbar(
im1, cax=axes[0], orientation='horizontal',
ticks=np.linspace(0, 100, 11),
label='colorbar with Normalize'
)
# 第二个colorbar开启extend参数.
cmap2 = copy.copy(cm.viridis)
cmap2.set_under('black')
cmap2.set_over('red')
norm2 = mcolors.Normalize(vmin=0, vmax=100)
im2 = cm.ScalarMappable(norm=norm2, cmap=cmap2)
cbar2 = fig.colorbar(
im2, cax=axes[1], orientation='horizontal',
extend='both', ticks=np.linspace(0, 100, 11),
label='extended colorbar with Normalize'
)
# 第三个colorbar使用对数的LogNorm.
cmap3 = copy.copy(cm.viridis)
norm3 = mcolors.LogNorm(vmin=1E0, vmax=1E3)
im3 = cm.ScalarMappable(norm=norm3, cmap=cmap3)
# 使用LogNorm时,colorbar会自动选取合适的Locator和Formatter.
cbar3 = fig.colorbar(
im3, cax=axes[2], orientation='horizontal',
label='colorbar with LogNorm',
)
# 第四个colorbar使用BoundaryNorm.
bins = [0, 1, 10, 20, 50, 100]
nbin = len(bins) - 1
cmap4 = cm.get_cmap('viridis', nbin)
norm4 = mcolors.BoundaryNorm(bins, nbin)
im4 = cm.ScalarMappable(norm=norm4, cmap=cmap4)
# 使用BoundaryNorm时,colorbar会自动按bins标出刻度.
cbar4 = fig.colorbar(
im4, cax=axes[3], orientation='horizontal',
label='colorbar with BoundaryNorm'
)
plt.show()
colorbar 使用的 cmap 和 norm 可以通过 cbar.cmap 和 cbar.norm 属性获取。
1.2 向主图添加 colorbar
日常使用中一般不会单独画出 colorbar，而是将 colorbar 添加给一张主图。此时需要将主图中画填色图时返回的 ScalarMappable 对象传给 colorbar，并利用 cax 或 ax 参数指定 colorbar 的位置。下面是一个例子
import matplotlib.patches as mpatches
import matplotlib.transforms as mtransforms
def add_box(ax):
'''用红框标出一个ax的范围.'''
axpos = ax.get_position()
rect = mpatches.Rectangle(
(axpos.x0, axpos.y0), axpos.width, axpos.height,
lw=3, ls='--', ec='r', fc='none', alpha=0.5,
transform=ax.figure.transFigure
)
ax.patches.append(rect)
def add_right_cax(ax, pad, width):
'''
在一个ax右边追加与之等高的cax.
pad是cax与ax的间距,width是cax的宽度.
'''
axpos = ax.get_position()
caxpos = mtransforms.Bbox.from_extents(
axpos.x1 + pad,
axpos.y0,
axpos.x1 + pad + width,
axpos.y1
)
cax = ax.figure.add_axes(caxpos)
return cax
def test_data():
'''生成测试数据.'''
x = np.linspace(-3, 3, 200)
y = np.linspace(-3, 3, 200)
X, Y = np.meshgrid(x, y)
Z = np.exp(-X**2) + np.exp(-Y**2)
# 将Z缩放至[0, 100].
Z = (Z - Z.min()) / (Z.max() - Z.min()) * 100
return X, Y, Z
X, Y, Z = test_data()
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
fig.subplots_adjust(hspace=0.2, wspace=0.2)
# 提前用红框圈出每个ax的范围,并关闭刻度显示.
for ax in axes.flat:
add_box(ax)
ax.axis('off')
# 第一个子图中不画出colorbar.
im = axes[0, 0].pcolormesh(X, Y, Z, shading='nearest')
axes[0, 0].set_title('without colorbar')
# 第二个子图中画出依附于ax的垂直的colorbar.
im = axes[0, 1].pcolormesh(X, Y, Z, shading='nearest')
cbar = fig.colorbar(im, ax=axes[0, 1], orientation='vertical')
axes[0, 1].set_title('add vertical colorbar to ax')
# 第三个子图中画出依附于ax的水平的colorbar.
im = axes[1, 0].pcolormesh(X, Y, Z, shading='nearest')
cbar = fig.colorbar(im, ax=axes[1, 0], orientation='horizontal')
axes[1, 0].set_title('add horizontal colorbar to ax')
# 第三个子图中将垂直的colorbar画在cax上.
im = axes[1, 1].pcolormesh(X, Y, Z, shading='nearest')
cax = add_right_cax(axes[1, 1], pad=0.02, width=0.02)
cbar = fig.colorbar(im, cax=cax)
axes[1, 1].set_title('add vertical colorbar to cax')
plt.show()
组图通过 plt.subplots 函数创建，这里用红色虚线方框圈出每个子图开始时的范围。然后第一个子图内画图但不添加 colorbar，可以看到其范围与红框重合；第二个子图内用 ax 参数指定 colorbar 依附于该子图，可以看到子图的水平范围被 colorbar 偷走了一部分，同理第三个子图的垂直范围被偷走了一部分；而第四个子图中因为手动在子图右边创建了一个新的 Axes 并指定为 cax，所以 colorbar 并没有挤占子图原有的空间。
总之，向主图添加 colorbar 时，ax 参数用起来更方便，但会改变主图的范围；cax 参数需要提前为 colorbar 准备一个 Axes，但 colorbar 的摆放位置更灵活。
2. 设置刻度
第 1 节中提到过，在初始化 colorbar 时通过 ticks 和 format 参数即可设置刻度。实际上，colorbar 在接受刻度的设置后，会将它们传给底层的 Axes 对象，利用 Axes 的方法来实现刻度的标注。所以为 colorbar 设置刻度有两种思路
- 利用 colorbar 提供的接口设置刻度，优点是简单直接，缺点是对于小刻度等参数无法进行细致的设定。
- 直接操作 colorbar 底层的
Axes，优点是设置更细致，缺点是可能会受cbar.update_ticks方法的干扰。
正因为这两种思路都行得通，所以你上网搜如何设置刻度时能找到五花八门的方法，下面便来一一辨析这些方法。
另外需要提前说明一下，colorbar 不同于普通的 Axes，只会显示落入 cbar.vmin 和 cbar.vmax 这两个值范围内的刻度，而这两个值由 cbar.norm 的属性决定（例外会在后面提到）。
2.1 ticks 和 format 参数
import matplotlib.ticker as mticker
cmap = cm.viridis
norm = mcolors.Normalize(vmin=0, vmax=100)
im = cm.ScalarMappable(norm=norm, cmap=cmap)
locator = mticker.MultipleLocator(10)
formatter = mticker.StrMethodFormatter('{x:.1f}')
cbar = fig.colorbar(
im, cax=ax, orientation='horizontal',
ticks=locator, format=formatter
)
cbar.minorticks_on()
在初始化 colorbar 时直接指定 ticks 和 format 参数即可。
小刻度则通过 minorticks_on 方法开启，可惜这个方法不提供任可供调节的参数，查看源码会发现，colorbar 是借助 matplotlib.ticker.AutoMinorLocator 实现小刻度的，其中小刻度的间隔数 n 被硬编码为默认值 None，所以小刻度的数目会根据大刻度的数值自动设为 3 个或 4 个，例如图中两个大刻度间就是 4 个小刻度。
2.2 locator 和 formatter 属性
cbar = fig.colorbar(im, cax=ax, orientation='horizontal')
cbar.locator = locator
cbar.formatter = formatter
cbar.minorticks_on()
cbar.update_ticks()
图跟 2.1 节的一样。直接修改 locator 和 formatter 属性，接着调用 update_ticks 方法刷新刻度，将这两个属性传给底层的 Axes，从而使刻度生效。2.1 节中不需要刷新是因为初始化的最后会自动刷新。
2.3 set_ticks 和 set_ticklabels 方法
ticks = np.linspace(0, 100, 11)
ticklabels = [formatter(tick) for tick in ticks]
cbar = fig.colorbar(im, cax=ax, orientation='horizontal')
cbar.set_ticks(ticks)
cbar.set_ticklabels(ticklabels)
cbar.minorticks_on()
图跟 2.1 节的一样。这个方法适用于手动给出刻度和与之匹配的刻度标签的情况。同时 set_ticks 和 set_ticklabels 方法都有一个布尔类型的 update_ticks 参数，效果同 2.2 节所述，因为默认为 True，所以可以不用管它。奇怪的是，set_ticks 方法还可以接受 Locator 对象，不过当 Locator 与刻度标签对不上时就会发出警告并产生错误的结果。
也许你会联想到 Axes 设置刻度的方法，并进行这样的尝试
cbar.ax.set_xticks(ticks)
cbar.ax.set_xticklabels(ticklabels)
可惜这种方法行不通，也是会报警加出错。
2.4 set_major_locator 和 set_major_formatter 方法
cbar = fig.colorbar(im, cax=ax, orientation='horizontal')
cbar.ax.xaxis.set_major_locator(locator)
cbar.ax.xaxis.set_minor_locator(mticker.AutoMinorLocator(2))
cbar.ax.xaxis.set_major_formatter(formatter)
# cbar.update_ticks()
图跟 2.1 节的一样。虽然 2.3 节中直接调用 set_xticks 和 set_xticklabels 会失败，但神秘的是调用 set_major_locator 和 set_major_formatter 却可以，你甚至可以用 set_minor_locator 来实现更细致的小刻度。这里因为 colorbar 是水平放置的，所以操作的是 xaxis，垂直方向换成 yaxis 即可。
这种方法的缺点是，colorbar 的 locator 属性与 xaxis 的并不一致
In : print(cbar.locator)
Out: <matplotlib.colorbar._ColorbarAutoLocator object at 0x000001B424E36AF0>
In : print(cbar.ax.xaxis.get_major_locator())
Out: <matplotlib.ticker.MultipleLocator object at 0x000001B424E366A0>
尽管画出来的图是 MultipleLocator 的效果，但 cbar.locator 依旧保留初始化时的默认值，cbar.formatter 同理。如果此时执行 cbar.update_ticks()，就会将 cbar.ax.xaxis 的 locator 和 formatter 更新成 cbar.locator 和 cbar.formatter 的值——即变回默认效果。奇怪的是小刻度的 locator 并不受 update_ticks 的影响，小刻度依然得到保留。
2.5 对数刻度
1.1 节中展示过，当传入的 mappable 的 norm 是 LogNorm 时，colorbar 会自动采取对数刻度和科学计数法的刻度标签，并开启小刻度。下面是一个不用科学计数法，并关掉小刻度的例子
norm = mcolors.LogNorm(vmin=1E0, vmax=1E3)
im = cm.ScalarMappable(norm=norm, cmap=cmap)
cbar = fig.colorbar(
im, cax=ax, orientation='horizontal',
format=mticker.ScalarFormatter()
)
cbar.minorticks_off()
2.6 更多设置
如果想进一步设置刻度的参数（刻度长度、标签字体等），需要通过底层的 cbar.ax.tick_params 方法来实现。例如
cbar.ax.tick_params(length=2, labelsize='x-small')
总结一下的话，colorbar 提供了设置刻度的接口，但做得还不够完善，以至于我们需要直接操作底层的 Axes。希望以后 Matplotlib 能对此加以改善。
3. Contourf 中的 colorbar
把 pcolor、imshow 等函数的返回值传给 colorbar 时，colorbar 中会显示连续完整的 colormap；但若把 contourf 函数的返回值传给 colorbar 时，显示的就不再是完整的 colormap，而是等高线之间的填色（填色规则请见 Matplotlib 系列：colormap 的设置 第 3.1 节），下面是一个 pcolormesh 与 contourf 相对比的例子
X, Y, Z = test_data()
cmap = cm.viridis
norm = mcolors.Normalize(vmin=0, vmax=100)
levels = [10, 20, 40, 80]
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
for ax in axes:
ax.axis('off')
# 第一张子图画pcolormesh.
im = axes[0].pcolormesh(X, Y, Z, cmap=cmap, norm=norm, shading='nearest')
cbar = fig.colorbar(im, ax=axes[0], extend='both')
axes[0].set_title('pcolormesh')
# 第二张子图画contourf.
im = axes[1].contourf(
X, Y, Z, levels=levels, cmap=cmap, norm=norm, extend='both'
)
cbar = fig.colorbar(im, ax=axes[1])
axes[1].set_title('contourf')
plt.show()
可以看到效果与上面描述的一致，colorbar 上颜色间的分界位置也与 levels 的数值大小相对应。第 2 节中提到过，colorbar 的显示范围由 cbar.vmin 和 cbar.vmax 决定，且这两个值与 cbar.norm.vmin 和 cbar.norm.vmax 相同——不过使用 contourf 的返回值作为 mappable 时则是例外，这里 cbar.vmin 和 cbar.vmax 由 levels 的边界决定。所以上图中 colorbar 的范围为 [10, 80]。
另外若 contourf 中指定过 extend 参数，那么其返回值会带有 extend 的信息，初始化 colorbar 时就不应该再设定 extend 参数了。Matplotlib 3.3 以后同时使用 extend 参数的行为被废弃。
4. 为组图添加 colorbar
4.1 为每个子图添加
最简单的方法是在绘制每个子图的 colorbar 时，将 ax 参数指定为子图的 Axes，缺点是会改变子图形状，不过可以之后用 ax.set_aspect 等方法进行调整。下面利用 1.2 节中的 add_right_cax 函数实现 cax 的版本
X, Y, Z = test_data()
cmap = cm.viridis
norm = mcolors.Normalize(vmin=0, vmax=100)
fig, axes = plt.subplots(2, 2, figsize=(8, 8))
# 调节子图间的宽度,以留出放colorbar的空间.
fig.subplots_adjust(wspace=0.4)
for ax in axes.flat:
ax.axis('off')
cax = add_right_cax(ax, pad=0.01, width=0.02)
im = ax.pcolormesh(X, Y, Z, cmap=cmap, norm=norm, shading='nearest')
cbar = fig.colorbar(im, cax=cax)
plt.show()
更高级的方法是使用 mpl_toolkits.axes_grid1.ImageGrid 类，例如
from mpl_toolkits.axes_grid1 import ImageGrid
fig = plt.figure(figsize=(8, 8))
grid = ImageGrid(
fig, 111, nrows_ncols=(2, 2), axes_pad=0.5,
cbar_mode='each', cbar_location='right', cbar_pad=0.1
)
# 这里ax是mpl_toolkits.axes_grid1.mpl_axes.Axes
for ax in grid:
ax.axis('off')
im = ax.pcolormesh(X, Y, Z, cmap=cmap, norm=norm, shading='nearest')
# 官网例子中的cax.colorbar(im)用法自Matplotlib 3.2起废弃.
cbar = fig.colorbar(im, cax=ax.cax)
plt.show()
结果跟上面一张图差不多。ImageGrid 适合创建子图宽高比固定的组图（例如 imshow 的图像或等经纬度投影的地图），并且对于 colorbar 位置和间距的设置非常便利。此外还有利用 matplotlib.gridspec.GridSpec 和 mpl_toolkits.axes_grid1.axes_divider 的方法，这里就不细讲了。
4.2 为整个组图添加
其实 colorbar 的 ax 参数还可以接受 Axes 组成的列表（数组），内部会通过 matplotlib.transforms.Bbox.union 方法计算这些 Axes 占据的公共空间，再计算出 colorbar 应占的空间，从而实现为所有 Axes 只添加一个 colorbar。例如
fig, axes = plt.subplots(2, 2, figsize=(8, 8))
for ax in axes.flat:
ax.axis('off')
im = ax.pcolormesh(X, Y, Z, cmap=cmap, norm=norm, shading='nearest')
cbar = fig.colorbar(im, ax=axes)
plt.show()
再举个 ImageGrid 的例子
fig = plt.figure(figsize=(8, 8))
grid = ImageGrid(
fig, 111, nrows_ncols=(2, 2), axes_pad=0.5,
cbar_mode='single', cbar_location='right', cbar_pad=0.2,
)
for ax in grid:
ax.axis('off')
im = ax.pcolormesh(X, Y, Z, cmap=cmap, norm=norm, shading='nearest')
cbar = fig.colorbar(im, cax=ax.cax)
plt.show()
结果同上一张图。如果有更复杂的需求，例如在不改变子图形状的前提下，组图中不同区域的子图共用不同的 colorbar，那么建议使用 add_axes 方法，参考 1.2 节的 add_right_cax 函数，将之改写到可接受多个 Axes，指定任意方向；或利用 matplotlib.gridspec.GridSpec 将 cax 穿插在组图间。感兴趣的读者可以读读参考链接中最后那篇。
5. 参考链接
官方教程
Overview of axes_grid1 toolkit
Cartopy 的例子
Using Cartopy and AxesGrid toolkit
可能是全网最详细的 colorbar 调整教程
matplotlibのcolorbarを解剖してわかったこと、あるいはもうcolorbar調整に苦労したくない人に捧げる話
