Punti colore in base al colore del contorno

Question

C'è un modo per colorare un punto in base alla mappa di colori utilizzata dalla funzione contour? Mi rendo conto che posso specificare una mappa colori, ma presumibilmente la funzione contour fa un po 'di scaling e/o normalizzazione dei dati ?

Ecco un esempio:

import numpy as np 
import scipy.stats as ss 

def plot_2d_probsurface(data, resolution=20, ax = None, xlim=None, ylim=None): 
    # create a function to calcualte the density at a particular location 
    kde = ss.gaussian_kde(data.T) 

    # calculate the limits if there are no values passed in 
    # passed in values are useful if calling this function 
    # systematically with different sets of data whose limits 
    # aren't consistent 
    if xlim is None: 
     xlim = (min(data[:,0]), max(data[:,0])) 

    if ylim is None: 
     ylim = (min(data[:,1]), max(data[:,1])) 

    # create some tick marks that will be used to create a grid 
    xs = np.linspace(xlim[0], xlim[1], resolution) 
    ys = np.linspace(ylim[0], ylim[1], resolution) 

    # wrap the KDE function and vectorize it so that we can call it on 
    # the entire grid at once 
    def calc_prob(x,y): 
     return kde([x,y])[0] 
    calc_prob = vectorize(calc_prob) 

    # check if we've received a plotting surface 
    if ax is None: 
     fig = plt.figure(figsize=(6,6)) 
     ax = fig.add_subplot(1,1,1) 

    # create the grid and calculate the density at each point 
    X,Y = np.meshgrid(xs, ys) 
    Z = calc_prob(X,Y) 

    # the values according to which the points should be colored 
    point_values = kde(data.T) 

    # plot the contour 
    cont = ax.contour(X,Y,Z) 
    #print cont 
    ax.plot(data[:,0], data[:,1], 'o') 

    return (None, None) 

data_x = np.random.random((50,2)) 
cont = plot_2d_probsurface(data_x) 

Così nel grafico qui sotto, i punti a più alta densità sarebbero di colore marrone, il prossimo arancione, il prossimo giallo, ecc ... I valori secondo la quale la i punti dovrebbero essere colorati sono già in point_values. Questo deve solo essere convertito in colori e passato alla funzione plot. Ma come ridimensionarli come nel grafico contour?

Answer 1

Sembra essere semplice come cambiare plot a scatter e passando i valori del punto come parametro c=point_values:

import numpy as np 
import scipy.stats as ss 

def plot_2d_probsurface(data, resolution=20, ax = None, xlim=None, ylim=None): 
    # create a function to calcualte the density at a particular location 
    kde = ss.gaussian_kde(data.T) 

    # calculate the limits if there are no values passed in 
    # passed in values are useful if calling this function 
    # systematically with different sets of data whose limits 
    # aren't consistent 
    if xlim is None: 
     xlim = (min(data[:,0]), max(data[:,0])) 

    if ylim is None: 
     ylim = (min(data[:,1]), max(data[:,1])) 

    # create some tick marks that will be used to create a grid 
    xs = np.linspace(xlim[0], xlim[1], resolution) 
    ys = np.linspace(ylim[0], ylim[1], resolution) 

    # wrap the KDE function and vectorize it so that we can call it on 
    # the entire grid at once 
    def calc_prob(x,y): 
     return kde([x,y])[0] 
    calc_prob = vectorize(calc_prob) 

    # check if we've received a plotting surface 
    if ax is None: 
     fig = plt.figure(figsize=(6,6)) 
     ax = fig.add_subplot(1,1,1) 

    # create the grid and calculate the density at each point 
    X,Y = np.meshgrid(xs, ys) 
    Z = calc_prob(X,Y) 

    # plot the contour 
    cont = ax.contour(X,Y,Z) 
    point_values = kde(data.T) 
    print point_values 
    #print cont 
    ax.scatter(data[:,0], data[:,1], c=point_values) 

    return (None, None) 

data_x = np.random.random((50,2)) 
cont = plot_2d_probsurface(data_x) 

Con questo risultato: