PythonData Science

Matplotlib Colormap (2)

, , , ,

  • 지난 글에서, scatter plot에 colormap을 입히고 colorbar를 제어하는 방법, 그리고 흑백 이미지에 colormap을 입히는 방법을 알아보았습니다.

  • 이번 글에서는 어떤 colormap을 선택하는 것이 적절할지, 그리고 colormap 자체를 제어하고 활용하는 방법을 알아보도록 하겠습니다.

  • 본 글은 공식 홈페이지의 번역과 요약을 토대로 작성되었습니다.

    1
    2
    3
    4
    import matplotlib.pyplot as plt
    import matplotlib as mpl
    %matplotlib inline
    print(mpl.__version__)
    • 실행결과: 버전은 3.1.3. 기준입니다.
    1
    '3.1.3'

References

Matplotlib 3.1.3 (Usage Guide)

2. Colormap 선정

Choosing Colormaps in Matplotlib
Palettable
Colorcet

  • Matplotlib은 자체적으로 상당히 많은 colormap을 제공하고 있습니다.
  • 그러나 언제 어떤 colormap을 사용할지 선택하는 것은 별개의 문제입니다.
  • 데이터를 목적에 맞게 전달해야 하고, 아름다워야 하고, 때로는 흑백 버전에서도 구분되어야 합니다.

2.1. Overview

Color Sequences for Univariate Maps: Theory, Experiments, and Principles
A rule-based tool for assisting colormap selection
CIELAB, Wikipedia

  • colormap 선정에 앞서 다음 사항을 고려해야 합니다.

    1. 표현의 대상: 데이터의 형태(form)인지, 아니면 수치(metric)인지.
    2. 데이터에 대한 지식: 강조해야 할 특정 값이 있는지?
    3. 직관성: 데이터를 직관적으로 전달하는 색상이 있는지?
    4. 보편성: 해당 분야에서 보편적으로 의미를 가지고 통용되는 색상이 있는지?

  • 일반적으로는, 동일 색조의 균등한(uniform) colormap이 최상의 선택입니다.

    • 사람의 뇌는 색의 명도(brightness)변화를 색상(hue)변화보다 더 잘 받아들이기 때문입니다.
    • 미국 인구밀도 분포 예시를 보겠습니다 (colormap: hot)
    • fire 적용시 hot보다 데이터의 디테일을 잘 살립니다.
    • 표현 가능한 색상의 범위가 더 넓고, 시각적으로 균일(perpetually uniform)하기 때문입니다.


  • 색상을 표현하는 방법엔 여러 가지가 있습니다.

  • 그 중 CIELAB 방식은 인간의 색채 지각에 대한 연구를 바탕으로 다음과 같이 정의합니다.

    • $ L^* $ : Lightness (0=black, 100=white)
    • $ a^* $ : Position between Magenta and Green (-: Green, +: Magenta)
    • $ b^* $ : Position between Yellow and Blue (-: Blue, +: Yellow)

  • matplotlib은 $ L^* $ 를 이용해 시각적 전달력을 높이는 전략을 채택하고 있습니다.

2.2. Colormap 종류

Diverging Color Maps for Scientific Visualization

  • colormap은 기능에 따라 크게 4가지로 나눌 수 있습니다.

    1. Sequential: 주로 밝기나 채도를 점진적으로 변화시키는 방식입니다.
      단일 색상을 사용하기도 하는데, (수치 등) 순서가 있는 데이터라면 필수입니다.
    2. Diverging: Sequantial이 적용된 두 colormap을 중간값에서 무채색으로 연결합니다.
      Pearson 상관계수처럼 중간값이 특별한 의미를 가질 때 사용합니다.
    3. Cyclic: 둘 이상의 색상을 양 극단과 중간값 등에서 연결합니다.
      각도나 풍향, 시간처럼 주기성이 있는 데이터에 사용합니다.
    4. Qualitative: 범주형(categorical) 데이터처럼 각각이 독립된 의미를 가질 때 사용합니다.

  • matplotlib이 가지고 있는 네 가지 부류의 colormap을 하나씩 살펴보겠습니다.

  • 소스코드는 여기에 있습니다.

2.2.1. Sequential

  • Sequential colormap은 대체로 Lightness가 단조증가합니다.

    • 일부는 $ L^* $의 범위가 0~100이지만, 일부는 20부터 시작합니다.
      범위가 작으면 표현 범위가 줄어듭니다.
    • $ L^* $가 시각적으로 선형(perpetually linear)인 것도 있고, 곡선을 취하는 것도 있습니다.
      곡선이 된다는 의미는 특정 영역이 강조되고 특정 영역이 뭉개질 수 있다는 의미입니다.
    • [ 주의 ] Sequential (2) 에 속하는 colormap은 $ L^* $이 심하게 꺾이거나 반전되어 있습니다.
      흑백 인쇄물에서 데이터 왜곡이 발생할 수 있으니 사용시 주의바랍니다.

  • Matplotlib이 제공하는 Sequential colormap은 다음과 같습니다.

    • Perpetually Uniform Sequential: viridis, plasma, inferno, magma, cividis
    • Sequential: Greys, Purples, Blues, Greens, Oranges, Reds, YlOrBr, YlOrRd, OrRd, PuRd, RdPu, BuPu, GnBu, PuBu, YlGnBu, PuBuGn, BuGn, YlGn
    • Sequential (2): binary, gist_yarg, gist_gray, gray, bone, pink, spring, summer, autumn, winter, cool, Wistia, hot, afmhot, gist_heat, copper
2.2.2. Diverging

  • Diverging은 두 개의 Sequential colormap이 $ L^* = 100 $ 부근에서 만나는 형태로 꺾여있습니다.

    • 양 극단의 $ L^* $ 값이 비슷하면 데이터를 알아보기 좋은데, BrBG나 RdBu가 이 점에서 좋습니다.
    • coolwarm도 좋은 선택이지만 표현되는 $ L^* $ 범위가 좁다는 단점이 있습니다.

  • Matplotlib이 제공하는 Diverging colormap은 다음과 같습니다.
    PiYG, PRGn, BrBG, PuOr, RdGy, RdBu, RdYlBu, RdYlGn, Spectral, coolwarm, bwr, seismic

2.2.3. Cyclic

Good Colour Maps: How to Design Them

  • Cyclic은 시작과 끝의 색상과 $ L^* $ 이 동일해야 합니다.

    • Diverging처럼 단조증가와 단조증가를 반복할 수도 있고,: twilight, twilight_shifted
    • HSV 공간에서 색상을 변화시키는 방식도 있습니다: hsv
      [ 주의 ] HSV 방식은 $ L^* $ 이 오르내리기 때문에 흑백 인쇄시 데이터를 알아보기 어렵습니다.

  • Matplotlib이 제공하는 Cyclic colormap입니다.

2.2.4. Qualitative

  • 독립적인 데이터를 시각화하는 목적이기 때문에 $ L^* $ 제약도 없습니다.

  • 연속적인 데이터를 시각화할 때는 사용해서는 안됩니다.

  • Matplotlib에서는 다음과 같은 Qualitative colormap을 제공하고 있습니다.
    Pastel1, Pastel2, Paired, Accent, Dark2, Set1, Set2, Set3, tab10, tab20, tab20b, tab20c

2.2.5. Miscellaneous

The rainbow is dead… Long live the rainow!

  • 이름 그대로, 특정 목적을 가지고 만들어진 ‘여러 가지’ colormap입니다.

    • 예를 들면 gist_earth, ocean, terrain은 지리정보시스템(GIS)에서 사용됩니다.
    • 지형을 녹색과 갈색으로 표현하고 바다의 깊이를 파랑으로 표현하는 식입니다.
    • CMRmap은 회색조로 변환되었을 때를 염두에 두고 만들어진 colormap이며,
    • cubehelix는 밝기와 색상을 동시에 부드럽게 전환하기 위해 만들어진 colormap입니다.

  • 가장 많이 사용되는 jet와 rainbow도 여기에 속해있습니다.

    • matplotlib colormap 예제에 있어서이고 무지개색이라는 점이 친숙해서 아무데나 많이 쓰입니다.
    • 그러나 직관적 이해도와 직결된 $ L^* $ 분포 관점에서 볼 때 바람직한 선택은 아닙니다.

  • Matplotlib에서 제공하는 Miscellaneous colormap 명단은 다음과 같습니다.
    flag, prism, ocean, gist_earth, terrain, gist_stern, gnuplot, gnuplot2, CMRmap, cubehelix, brg, gist_rainbow, rainbow, jet, nipy_spectral, gist_ncar

    • 색상을 주루룩 늘어놓으면 이렇게 보이는데,
    • $ L^* $ 값과 함께 보면 이렇습니다.

2.3. Color Vision Deficiencies

Color Blindness- learn all about it
15 Tools If You Are (Not) Colorblind
Seaborn, Building color palettes

  • “형, 저 사실 색약이예요. 좀 심해요.”

    • 그래프를 그릴 때마다 선배에게 혼나던 후배가 있었습니다.
    • 선배가 한참 혼낸 후, 저더러 좀 가르쳐주라고 보냈길래 커피 한 잔을 먼저 마시려는데 저 말을 하더군요.
    • 미안함과 난감함이 교차했습니다. 위로를 하기도 뭐하고 어떻게 가르칠지는 더 그랬구요.

  • 색약, 색맹인 분들도 디지털의 도움을 빌려 어려움을 어느 정도 해소할 수 있습니다.

    • 보통 빨강과 녹색을 구분하지 못하는 적녹색맹이 많습니다.
    • 이들 중 하나만 다른 색상으로 치환해도 알아보기 훨씬 편하다고 합니다.
    • 이 글을 보는 분께서 색상 구분으로 인한 어려움을 겪으신다면 이 링크를 참고해보세요.

  • matplotlib에서도 Red와 Green이 함께 포함된 colormap 사용을 피하는 것을 권합니다.

    • matplotlib 기반인 seaborn에서는 이런 분들을 위한 color palette를 제공하고 있습니다.
    • 색상 구별에 어려움을 겪는 분들께서 그림을 알아보기 조금 수월해진다고 합니다.
    • seaborn colorblind colormap 호출
    1
    2
    3
    import seaborn as sns
    current_palette = sns.color_palette('colorblind')
    sns.palplot(current_palette)

    • 실행결과

    • matplotlib 형식 graph 작성

    1
    2
    3
    4
    fig, ax = plt.subplots()
    ax.plot([0, 1], [0, 1], lw=3)
    ax.plot([0, 1], [0, 2], lw=3)
    ax.plot([0, 1], [0, 3], lw=3);
    • 실행결과


도움이 되셨나요? 카페인을 투입하시면 다음 포스팅으로 변환됩니다

Share