Проблема в том, что разные значения в итоге дают один и тот же цвет.Это связано с используемой нелинейной нормой.
Для линейной нормы цвета для слоев контурного графика будут взяты в среднем арифметическом между уровнями.Хотя это может также вызвать проблемы при сравнении изображений и контурных графиков (как показано в Как pyplot.contourf выбирает цвета из цветовой карты? ), он все равно будет использовать N уникальных цветов, используемых для уровней N + 1.
Для LogNorm вместо среднего арифметического используется среднее геометрическое .
Ниже показаны значения, используемые для получения цветов из цветовой карты.Как можно видеть, несколько оказываются в одном и том же контейнере.
Увеличение количества цветов позволит каждому значению быть в своей собственной цветовой корзине.
В принципе, именно поэтому использование цветовой карты 'jet' работает нормально, потому что у вас есть 256 разных цветов.
Следовательно, возможное решение состоит в том, чтобы использовать больше цветов для создания цветовой карты:
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import colors
# generate data
x = y = np.linspace(-3, 3, 200)
im = 1800*np.exp(-(np.outer(x,x) + y**2))
im = im / im.max() # normalize
# set logarithic levels (with small steps)
levS = np.array([1e-3,2e-3,4e-3,6e-3,8e-3,
1e-2,2e-2,4e-2,6e-2,8e-2,
0.1,0.2,0.4,0.6,0.8,
1])
# (5 intervals in one decade )
# avoid white patches by filling up to lowest level
im[ im < levS.min() ] = levS.min()
# make a list of N colors to create a colormap from
N = 20
mapColS = list(plt.cm.gray(np.linspace(0,1,N)))
# repeat 3 times for the three decades
mapColR = mapColS + mapColS + mapColS
MyCmap=colors.ListedColormap(mapColR) # make color map
fig13g = plt.figure(1000) #create figure
ax13g = fig13g.add_subplot(111)
# plot lines
c = plt.contour(im, levS, linewidths = 0.5,
norm=colors.LogNorm(), colors = 'k')
# fill with colors
cf = plt.contourf(im, levS, norm=colors.LogNorm(),
cmap=MyCmap) # plt.cm.jet OR MyCmap
cbar = fig13g.colorbar(cf, orientation='vertical',
spacing='regular',ticks= levS)
plt.show()
Недостатком этого является то, что вы теряете динамический диапазон, потому чтосамый низкий цвет не черный, а темно-серый.
Следовательно, другой вариант - рассчитать эти значения слоя и создать цветовую карту с соответствующими цветами именно в этих местах.
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import colors
# generate data
x = y = np.linspace(-3, 3, 200)
im = 1800*np.exp(-(np.outer(x,x) + y**2))
im = im / im.max() # normalize
# set logarithic levels (with small steps)
levS = np.array([1e-3,2e-3,4e-3,6e-3,8e-3,
1e-2,2e-2,4e-2,6e-2,8e-2,
0.1,0.2,0.4,0.6,0.8,
1])
# (5 intervals in one decade )
# avoid white patches by filling up to lowest level
im[ im < levS.min() ] = levS.min()
# make a list of N colors to create a colormap from
N = 5
mapColS = list(plt.cm.gray(np.linspace(0,1,N)))
# repeat 3 times for the three decades
mapColR = mapColS + mapColS + mapColS
#calculate layer values for lognorm
layers = np.sqrt(levS[:-1]) * np.sqrt(levS[1:])
norm = colors.LogNorm(levS.min(), levS.max())
#add outmost values and colors
lvals = np.concatenate(([0.], norm(layers), [1.]))
cvals = [mapColR[0]] + mapColR + [mapColR[-1]]
# make the colormap from values and colors
MyCmap=colors.LinearSegmentedColormap.from_list("", list(zip(lvals,cvals)))
fig13g = plt.figure(1000) #create figure
ax13g = fig13g.add_subplot(111)
# plot lines
c = plt.contour(im, levS, linewidths = 0.5,
norm=norm, colors = 'k')
# fill with colors
cf = plt.contourf(im, levS, norm=norm,
cmap=MyCmap)
cbar = fig13g.colorbar(cf, orientation='vertical',
spacing='regular',ticks= levS)
plt.show()
