正文

学会UMAP图配色，轻松提升数据可视化效果

/0 浏览量
0720

数据可视化是数据分析中非常重要的一环，它可以帮助我们更好地理解和解释数据。UMAP（Uniform Manifold Approximation and Projection）是一种流行的降维技术，它可以将高维数据映射到低维空间，使得数据更加易于理解。而配色在数据可视化中同样扮演着关键角色，恰当的配色可以让数据可视化效果更加出众。本文将带你一起学习UMAP图的配色技巧，轻松提升数据可视化效果。

一、UMAP图简介

UMAP是一种有效的降维技术，它能够将高维数据映射到二维或三维空间中，同时保留数据的结构信息。相比传统的降维方法，如PCA（主成分分析），UMAP具有以下优点：

  1. 保留数据局部结构；
  2. 支持非线性降维；
  3. 降维后的数据易于可视化。

二、UMAP图配色原则

  1. 颜色搭配的和谐性：颜色搭配要和谐，避免过于鲜艳或刺眼的颜色，以免影响数据的观察。

  2. 颜色的区分度：选择颜色时要考虑到颜色的区分度，以便在视觉上区分不同的数据点。

  3. 颜色与数据的关联性：尽量使颜色与数据具有关联性，例如，可以用不同的颜色表示不同的类别或聚类。

  4. 颜色的数量：颜色数量不宜过多，以免造成视觉上的混乱。

三、UMAP图配色技巧

  1. 单色配色：使用单一颜色，通过调整颜色的亮度和饱和度来区分不同的数据点。这种方法简单易行，但可能难以区分较多的数据点。
import umap
import matplotlib.pyplot as plt

# 创建数据
data = [[1, 2], [1, 4], [1, 0],
        [10, 2], [10, 4], [10, 0]]

# 使用UMAP进行降维
umap_reducer = umap.UMAP()
reduced_data = umap_reducer.fit_transform(data)

# 绘制UMAP图
plt.scatter(reduced_data[:, 0], reduced_data[:, 1], c='blue', alpha=0.5)
plt.xlabel('UMAP1')
plt.ylabel('UMAP2')
plt.title('UMAP图（单色配色）')
plt.show()
  1. 渐变色配色：使用渐变色来表示数据的不同属性，如距离、类别等。
# 创建数据
data = [[1, 2], [1, 4], [1, 0],
        [10, 2], [10, 4], [10, 0]]

# 使用UMAP进行降维
umap_reducer = umap.UMAP()
reduced_data = umap_reducer.fit_transform(data)

# 获取数据点之间的距离
distances = pairwise_distances(data)

# 使用距离计算渐变色
colors = plt.cm.viridis(distances)

# 绘制UMAP图
plt.scatter(reduced_data[:, 0], reduced_data[:, 1], c=colors, alpha=0.5)
plt.xlabel('UMAP1')
plt.ylabel('UMAP2')
plt.title('UMAP图（渐变色配色）')
plt.show()
  1. 分类配色：为不同的类别分配不同的颜色，以便在视觉上区分。
# 创建数据
data = [[1, 2], [1, 4], [1, 0],
        [10, 2], [10, 4], [10, 0]]

# 使用UMAP进行降维
umap_reducer = umap.UMAP()
reduced_data = umap_reducer.fit_transform(data)

# 标记数据点类别
labels = [0, 0, 0, 1, 1, 1]

# 使用标签为不同的类别分配颜色
color_map = {'0': 'blue', '1': 'red'}
colors = [color_map[label] for label in labels]

# 绘制UMAP图
plt.scatter(reduced_data[:, 0], reduced_data[:, 1], c=colors, alpha=0.5)
plt.xlabel('UMAP1')
plt.ylabel('UMAP2')
plt.title('UMAP图（分类配色）')
plt.show()

四、总结

UMAP图配色是提升数据可视化效果的关键。通过学习UMAP图配色原则和技巧，我们可以轻松地为UMAP图添加合适的颜色，使得数据可视化效果更加出众。在实际应用中，我们可以根据数据的特性选择合适的配色方法，以突出数据的特征和关联性。

-- 展开阅读全文 --