#!/usr/bin/env python
# coding: utf-8

# # Научная графика в Python
# 
# Автор: Шабанов Павел Александрович
# 
# E-mail: pa.shabanov@gmail.com
# 
# URL: [Заметки по программированию в науках о Земле](http://progeoru.blogspot.ru/)
# 
# Дата последнего обновления: 12.03.2017

# In[1]:


# Преамбула
get_ipython().run_line_magic('matplotlib', 'inline')

import os
import matplotlib.pyplot as plt
from matplotlib import rcParams

import numpy as np

def save(name='', fmt='png'):
    pwd = os.getcwd()
    iPath = './pictures/{}'.format(fmt)
    if not os.path.exists(iPath):
        os.mkdir(iPath)
    os.chdir(iPath)
    plt.savefig('{}.{}'.format(name, fmt), fmt='png')
    os.chdir(pwd)
    #plt.close()

rcParams['font.family'] = 'fantasy'
rcParams['font.fantasy'] = 'Arial'


# ## Глава 4 Цвета и цветовая палитра
# 
# ### Содержание главы
# 
# 1. Цвет как декортивный элемент;
# 
# 2. Способы задания цветов. RGB и HEX;
# 
# 3. Цветовая палитра colormap;
# 
# 4. Плавная цветовая палитра;
# 
# 5. Дискретная цветовая палитра.
# 
# Цвет является одним из важнейших выразительных средств художника (а все мы являемся художниками, когда создаём рисунки). Чёрно-белая графика имеет свои эстетические достоинства и практическую выгоду (экономия краски при печати), но в ряде случаев без использования цвета не обойтись.
# 
# Цвет может быть задан либо через пропорции трёх базовых цветов: красного, зелёного и синего. Такой способ носит название RGB. Другим стандартным методом является использование шестнадцатиричной кодировки (HEX), которая широко применяется в HTML. В не зависимости от способа задания цвета нужно понимать, какой цвет получается при той или иной комбинации. В этом могут помочь специальные редакторы, ссылки на которые расположены ниже.
# 
# Многообразие сочетаний цветов порождает массу наборов цветов - цветовые палитры. Они нужны в качестве основы для отображения цветовых легенд или цветовых шкал, где каждому оттенку цвета шкалы сопоставляется какое-то значение. Также цветовые шкалы применяются там, где нужно динамически подбирать цвет, например, при создании цветных графиков временных рядов нескольких величин.
# 
# ### Электронные ресурсы:
# 
# + [Сокращения и условные обозначения цветов](http://matplotlib.org/examples/color/named_colors.html);
# 
# + [Цветовая палитра colormap](http://matplotlib.org/users/colormaps.html);
# 
# + [Предустановленные наборы цветовых палитр](http://matplotlib.org/examples/color/colormaps_reference.html);
# 
# + [Пример создания пользовательской цветовой палитры](http://matplotlib.org/examples/pylab_examples/custom_cmap.html);
# 
# + [Рецепты по созданию цветовой палитры от scipy cookbook](http://wiki.scipy.org/Cookbook/Matplotlib/Show_colormaps).
# 
# Сторонние ресурсы для подбора цветовой палитры
# 
# + [Подбор цветов для цветовой палитры](http://colormap.org/);
# 
# + [Подобор цветов от Adobe Color CC](https://color.adobe.com/ru/create/color-wheel/);
# 
# + [Таблица безопасных цветов (RGB/HEX)от студии Артемия Лебедева](https://www.artlebedev.ru/tools/colors/);
# 
# + [О цветовых палитрах с сайта PYHOGS](http://pyhogs.github.io/colormap-examples.html).

# ### 4.1 Цвет как декортивный элемент
# 
# Цвет - это один из самых распространённых способ отобразить информацию. Во многом презентабельность и читаемость рисунка зависит от подобранных цветов. В научной графике, как правило, уделяется достаточно мало внимания подборке сочетания цветов, важна однозначность идентификации по цвету.
# 
# Matplotlib предоставляет широкие возможности для работы с цветом. Существует ряд предустановленных цветов, которые имеют следующие аббревиатуры:
# 
# + **Красный** - 'red', 'r', (1.0, 0.0, 0.0);
# 
# + **Оранженвый** - 'orange';
# 
# + **Жёлтый** - 'yellow', 'y', (0.75, 0.75, 0);
# 
# + **Зелёный** - 'green', 'g', (0.0, 0.5, 0.0);
# 
# + **Голубой** - 'cyan', 'c', (0.0, 0.75, 0.75);
# 
# + **Синий** - 'blue', 'b', (0.0, 0.0, 1.0);
# 
# + **Фиолетовый** - 'magenta', 'm', (0.75, 0, 0.75);
# 
# + **Чёрный** - 'black', 'k', (0.0, 0.0, 0.0);
# 
# + **Белый** -'white', 'w', (1.0, 1.0, 1.0).
# 
# Цветовую гамму можно разнообразить за счёт различной степени прозрачности параметра alpha. Но если нужно задать конкретно, скажем, алый цвет, то нужна пользовательская настройка. Matplotlib отображает цвет, заданный как в формате RGB, так и в HEX. Существуют [различные таблицы цветов](https://www.artlebedev.ru/tools/colors/), в которых представленным оттенкам соответствует код в RGB или HEX формате. Ими удобно пользоваться при составлении небольших пользовательских цветовых палитр.

# ### 4.2 Способы задания цветов. RGB и HEX
# 
# [Цвет в формате RGB](https://ru.wikipedia.org/wiki/RGB) представляет собой триплет или кортеж, состоящий из трёх целых значений от 0 до 255 для красного, зелёного и синего цветов. Различные сочетания этих трёх значений позволяет получить огромное количество оттенков и цветов.
# 
# В matplotlib цвета rgb значения задаются в относительных единицах, в диапазоне от [0, 1]. Если необходимый цвет задан в диапазоне [0, 255], то нужно просто поделить их на 255.
# 
# Цвет, представленный в формате HEX, передаётся в виде шестнадцатеричной html строки (символ # перед шестизначным значением обязателен).

# In[2]:


# Пример 4.2

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(111)   # добавление области рисования ax

N = 10
x = np.arange(1, N+1, 1)
y = 20.*np.random.rand(N)

rgb = np.array([204,255,51])/255.
myhex = '#660099'

ax.plot(x, y, color=myhex)
ax.bar(x, y, color=rgb, alpha=0.75, align='center')

ax.set_xticks(x)   # установка делений на оси OX
ax.set_xlim(np.min(x)-1, np.max(x)+1)   # ограничение области изменения по оси OX
ax.grid(True)

save('pic_4_2', fmt='png')
save('pic_4_2', fmt='pdf')

plt.show()


# ### 4.3 Цветовая палитра colormap
# 
# Последовательность или набор цветов образует цветовую палитру colormap. Чаще всего она используется при отрисовке трёхмерных данных. Но и автоматический подбор цветов при добавлении каждого нового экземпляра plot также осуществляется из цветовой палитры по умолчанию.
# 
# Для получения текущей цветовой палитры можно воспользоваться методом `plt.get_cmap('название палитры')`. Список всех предустановленных палитр можно получить с помощью метода plt.cm.datad. В настройках matplotlibrc можно также изменить цветовую палитру с помощью параметра `image.cmap`. В интерактивном режиме её можно поменять через `plt.rcParams['image.cmap']='имя_палитры'` или через `plt.set_cmap('имя_палитры')`. Последний позволяет изменить палитру текущего рисунка уже после вызова графических команд.

# In[3]:


# Пример 4.3

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

dat = np.random.random(200).reshape(20,10) # создаём матрицу значений

# Создаём список цветовых палитр из словаря
maps = [m for m in plt.cm.datad]
# или так
maps = []

for i, m in enumerate(plt.cm.datad):
    maps.append(m)
#    print('%d - %s' % (i, m))

print(u'Предустановленные цветовые палитры:', maps)

fig, axes= plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True)

cmaplist = plt.cm.datad

for ax in fig.axes:
    random_cmap = np.random.choice(maps)
    cf = ax.contourf(dat, cmap=plt.get_cmap(random_cmap))
    ax.set_title('%s colormap' % random_cmap)
    fig.colorbar(cf, ax=ax)
    
plt.suptitle(u'Различные цветовые палитры')   # единый заголовок рисунка

save('pic_4_3', fmt='png')
save('pic_4_3', fmt='pdf')

plt.show()


# Всё многообразие цветовых палитр можно разбить на два типа:
# 
# + плавная палитра LinearSegmentedColormap 
# 
# + дискретная палитра ListedColormap. 
# 
# Первая используется для создания всех встроенных экземпляров colormap, а также очень полезна при создании пользовательских цветовых шкал. Вторая используется для создания пользовательской цветовой палитры colormap из заданного списка цветов.
# 
# ### 4.4 Плавная цветовая палитра
# 
# Плавная цветовая палитра представляет собой результат линейной интерполяции между последовательностью цветов, составляющих основу палитры. 
# 
# Различные методы отображения трёхмерных данных (разные графические команды) по умолчанию используют разные типы цветовых палитр. Так методы `plt.imshow()` и `plt.pcolor()` будут сопровождаться плавной цветовой палитрой:

# In[4]:


# Пример 5.4.1

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

dat = np.random.random(200).reshape(20,10) # создаём матрицу значений

# Создаём список цветовых палитр из словаря
maps = [m for m in plt.cm.datad]
# или так
maps = []
for m in plt.cm.datad:
    maps.append(m)

fig, axes= plt.subplots(nrows=2, ncols=1, sharex=True)   # смотри главу "Рисунки с несколькими областями рисования"

cmaplist = plt.cm.datad

for i, ax in enumerate(fig.axes):
    random_cmap = np.random.choice(maps)
    if(i == 0):
        cf = ax.pcolor(dat, cmap=plt.get_cmap(random_cmap))
    else:
        cf = ax.imshow(dat, cmap=plt.get_cmap(random_cmap))        

    ax.set_title('%s colormap' % random_cmap)
    
    fig.colorbar(cf, ax=ax)

plt.suptitle(u'Различные цветовые палитры')

save('pic_5_4_1', fmt='png')
save('pic_5_4_1', fmt='pdf')

plt.show()


# Чтобы создать пользовательскую плавную цветовую палитру нужно, во-первых, определиться с её основными цветами. Пусть мы выбрали следующее сочетание цветов: розовый, синий, зелёный, оранжевый и красный. В представлении RGB это означает спискок следующих значений:
# 
# + розовый - rgb(150, 0, 0), ;
# 
# + синий - rgb(0, 0, 255),
# 
# + зелёный - rgb(0, 255, 0),
# 
# + оранжевый - rgb(255, 150, 0),
# 
# + красный - rgb(255, 0, 0),
# 
# Matplotlib работает с rgb в относительных единицах, поэтому классические значения rgb триплетов нужно поделить на 255.
# 
# После этого нужно создать "словарь палитры" cdict. Это словарь для каждого из оттенков RGB ('red', 'blue', 'green'), где каждому оттенку приписан список или кортеж (x, y0, y1):
# 
# + x - определяет положение в палитре в диапазоне [0,1]. Проще представить будущую палитру в виде шкалы от 0 до 1;
# 
# + y0 - значение цвета в относительных единицах ([0, 255] -> [0, 1]) с одной стороны (слева) от положения x;
# 
# + y1 - значение цвета ([0, 255] -> [0, 1]) с другой стороны (справа) от положения x.
# 
# Между заданными позициями x метод LinearSegmentedColormap линейно интерполирует значения цветов между (x_i - y1_i) и (x_i+1 - y0_i). Обычно y0 и y1 совпадают, но, используя разные значения, можно добиваться более сложых эффектов, например разрывов в палитре. 

# In[5]:


# Пример 5.4.2

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

dat = np.random.random(200).reshape(20,10) # создаём матрицу значений

xx = np.array([0.5, 0.0, 0.1])*255
print xx
# Создаём список цветовых палитр из словаря

# ---------------------------------------------------------
# Вариант 1 Ромашка (бело-жёлтый)

cdict1 = {'red':   ((0.0, 1.0, 1.0),
                   (1.0, 1.0, 1.0)),

         'green': ((0.0, 1.0, 1.0),
                   (1.0, 1.0, 1.0)),

         'blue':  ((0.0, 1.0, 1.0),
                   (1.0, 0.0, 0.0))
        }

cmap1 = mpl.colors.LinearSegmentedColormap('cmap1', cdict1)


# Вариант 2 Светофор(красный-жёлтый-зелёный)

cdict2 = {'red':   ((0.0, 0.0, 0.0),
                   (0.5, 1.0, 1.0),
                   (1.0, 1.0, 1.0)),

         'green': ((0.0, 1.0, 1.0),
                   (0.5, 1.0, 1.0),
                   (1.0, 0.0, 0.0)),

         'blue':  ((0.0, 0.0, 0.0),
                   (0.5, 0.0, 0.0),
                   (1.0, 0.0, 0.0))
        }

cmap2 = mpl.colors.LinearSegmentedColormap('cmap2', cdict2)
# ---------------------------------------------------------

fig, axes= plt.subplots(nrows=2, ncols=1, sharex=True)

cmaplist = plt.cm.datad

cmaps = [cmap1, cmap2]

for i, ax in enumerate(fig.axes):
    cf = ax.imshow(dat, cmap=cmaps[i])        
    fig.colorbar(cf, ax=ax)

plt.suptitle(u'Создание цветовых палитр')

save('pic_4_4_2', fmt='png')
save('pic_4_4_2', fmt='pdf')

plt.show()


# Позиции цветов x на палитре могут быть неравномерными. Тогда на какие-то цвета будет приходиться большие участки цветовой палитры.

# In[6]:


# Пример 5.4.3

import matplotlib as mpl
import matplotlib.pyplot as plt

# розовый [255, 204, 255] -> [1., 0.8, 1.]
# фиолетовый [153, 0, 255] -> [0.6, 0., 1.]
# синий [0, 0, 255] -> [0., 0., 1.]
# красный [255, 0, 0] -> [1., 0., 0.]

cdict1 = {'red':   ((0.0, 1.0, 1.0), # red in RGB of pink, розовый
                   (0.2, 0.6, 0.6), # red in RGB of blue синий 
                   (0.8, 0.0, 0.0),  # red in RGB of violet фиолетовый 
                   (1.0, 1.0, 1.0)),  # red in RGB of red красный  

         'green':  ((0.0, 0.8, 0.8), # green in RGB of pink, розовый
                   (0.2, 0.0, 0.0), # green in RGB of blue синий 
                   (0.8, 0.0, 0.0), # green in RGB of violet фиолетовый 
                   (1.0, 0.0, 0.0)), # green in RGB of red красный  

         'blue':  ((0.0, 1.0, 1.0), # blue in RGB of pink, розовый
                   (0.2, 1.0, 1.0), # blue in RGB of blue синий 
                   (0.8, 1.0, 1.0), # blue in RGB of violet фиолетовый
                   (1.0, 0.0, 0.0)) # blue in RGB of red красный  
          }

cmap1 = mpl.colors.LinearSegmentedColormap('cmap1', cdict1)
plt.register_cmap(cmap=cmap1)
# ---------------------------------------------------------

fig = plt.figure()

ax = fig.add_subplot(111)

cmaplist = plt.cm.datad

cf = ax.pcolor(dat, cmap=cmap1)        
cbar = fig.colorbar(cf, ax=ax)
plt.suptitle(u'Розово-сине-фиолетово-красная палитра')

save('pic_4_4_3', fmt='png')
save('pic_4_4_3', fmt='pdf')

plt.show()


# Исследователь Крис Слокум из государственного университета Колорадо [на своём сайте](http://schubert.atmos.colostate.edu/~cslocum/custom_cmap.html) предложил код функции, которая перерабатывает заданный список цветов RGB в относительные единицы и создаёт как равномерную, так и не равномерную цветовую палитры. Это намного удобнее для создания собственной цветовой палитры, когда можно воспользоваться списками RGB из различных источников (см. список электронных ресурсов) и не задавть cdict вручную или писать собственную функцию. 

# In[7]:


# Пример 4.4.4 - взят с http://schubert.atmos.colostate.edu/~cslocum/custom_cmap.html

'''
NAME
    Custom Colormaps for Matplotlib
PURPOSE
    This program shows how to implement make_cmap which is a function that
    generates a colorbar.  If you want to look at different color schemes,
    check out https://kuler.adobe.com/create.
PROGRAMMER(S)
    Chris Slocum
REVISION HISTORY
    20130411 -- Initial version created
    20140313 -- Small changes made and code posted online
    20140320 -- Added the ability to set the position of each color
    20150503 -- Shabanov P.A.: added debug parameter
'''

def make_cmap(colors, position=None, bit=False, debug=False):
    '''
    make_cmap takes a list of tuples which contain RGB values. The RGB
    values may either be in 8-bit [0 to 255] (in which bit must be set to
    True when called) or arithmetic [0 to 1] (default). make_cmap returns
    a cmap with equally spaced colors.
    Arrange your tuples so that the first color is the lowest value for the
    colorbar and the last is the highest.
    position contains values from 0 to 1 to dictate the location of each color.
    '''
    import matplotlib as mpl
    import numpy as np
    bit_rgb = np.linspace(0,1,256)
    if position == None:
        position = np.linspace(0,1,len(colors))
    else:
        if len(position) != len(colors):
            sys.exit("position length must be the same as colors")
        elif position[0] != 0 or position[-1] != 1:
            sys.exit("position must start with 0 and end with 1")
    if(debug):
        print 'position:', position
        print 'len colors', len(colors)
        
    if bit:
        for i in range(len(colors)):
            colors[i] = (bit_rgb[colors[i][0]],
                         bit_rgb[colors[i][1]],
                         bit_rgb[colors[i][2]])
    if(debug):
        print 'colors', colors
    cdict = {'red':[], 'green':[], 'blue':[]}
    for pos, color in zip(position, colors):
        cdict['red'].append((pos, color[0], color[0]))
        cdict['green'].append((pos, color[1], color[1]))
        cdict['blue'].append((pos, color[2], color[2]))

    if (debug): 
        print 'red', cdict['red']
        print 'green', cdict['green']
        print 'blue', cdict['blue']

        
    cmap = mpl.colors.LinearSegmentedColormap('my_colormap',cdict,256)
    return cmap

### An example of how to use make_cmap
import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(311)
### Create a list of RGB tuples
# 'r', 'y', 'w', 'g', 'b'
colors = [(255,0,0), (255,255,0), (255,255,255), (0,157,0), (0,0,255)] # This example uses the 8-bit RGB
### Call the function make_cmap which returns your colormap
my_cmap = make_cmap(colors, bit=True)
### Use your colormap
plt.pcolor(np.random.rand(25,50), cmap=my_cmap)
plt.colorbar()

ax = fig.add_subplot(312)
colors = [(1,1,1), (0.5,0,0)] # This example uses the arithmetic RGB
### If you are only going to use your colormap once you can
### take out a step.
plt.pcolor(np.random.rand(25,50), cmap=make_cmap(colors))
plt.colorbar()

ax = fig.add_subplot(313)
colors = [(0.4,0.2,0.0), (1,1,1), (0,0.3,0.4)]
### Create an array or list of positions from 0 to 1.
position = [0, 0.3, 1]
plt.pcolor(np.random.rand(25,50), cmap=make_cmap(colors, position=position))
plt.colorbar()

save('pic_4_4_4', fmt='png')
save('pic_4_4_4', fmt='pdf')

plt.show()


# ### 4.5 Дискретная цветовая палитра
# 
# Плавная палитра, несомненно, лучше смотрятся при отображении трёхмерных поверхностей в виде плоских карт и 3D графиков. Однако в научной графике часто требуется не столько красота, сколько простота и однозначность рисунка. Чтобы избежать споров при определении оттенков и, соответственно, значений поля, следует использовать дискретные палитры там, где это критично.
# 
# Дискретная палитра представляет собой набор цветов с чёткой границей между соседними оттенками. Обычно этот набор берётся из одной из непрерывных шкал, но можно задать свою последовательность цветов либо в RGB, либо в HEX форматах. 

# In[8]:


# Пример 4.5.1

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

dat = np.random.random(200).reshape(20,10) # создаём матрицу значений

N = 10
# Список цветов
cpool = [ '#bd2309', '#bbb12d', '#1480fa', '#14fa2f', '#000000',
          '#faf214', '#2edfea', '#ea2ec4', '#ea2e40', '#cdcdcd',
          '#577a4d', '#2e46c0', '#f59422', '#219774', '#8086d9' ]
# Создание дискретных colormap
cmap1 = mpl.colors.ListedColormap(['r','orange','y','g','c','b','violet'], 'indexed')
cmap2 = mpl.colors.ListedColormap(cpool[5:5+N], 'indexed')

#plt.register_cmap(cmap=cmap3)

fig, axes= plt.subplots(nrows=2, ncols=1, sharex=True)

cmaps = [cmap1, cmap2]

for i, ax in enumerate(fig.axes):
    cf = ax.pcolor(dat, cmap=cmaps[i])        
    fig.colorbar(cf, ax=ax)

fig.suptitle(u'Создание дискретных цветовых палитр')

save('pic_4_5_1', fmt='png')
save('pic_4_5_1', fmt='pdf')

plt.show()


# При задании дискретной палитры необходимо обращать внимание на согласованность границ делений цветовой шкалы и границ цветов, иначе анализ рисунка будет серьёзно затруднён. На плавной цветовой шкале это не так заметно, как на дискретной.
# 
# Для задания положения делений в методе fig.colorbar() или plt.colorbar() необходимо указать параметр ticks. Число положений делений должно быть на 1 больше числа цветов в палитре (делений на отрезке на одну больше, чем промежутков между ними)!

# In[9]:


# Пример 4.5.2

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

dat = np.random.random(200).reshape(20,10) # создаём матрицу значений

N = 10
# Список цветов в HEX формате
cpool = [ '#bd2309', '#bbb12d', '#1480fa', '#14fa2f', '#000000',
          '#faf214', '#2edfea', '#ea2ec4', '#ea2e40', '#cdcdcd',
          '#577a4d', '#2e46c0', '#f59422', '#219774', '#8086d9' ]

# Создание дискретных colormap
cmap1 = mpl.colors.ListedColormap(['r','orange','y','g','c','b','violet'], 'indexed')   # 7 цветов
cmap2 = mpl.colors.ListedColormap(cpool[5:5+N], 'indexed')   # 10 цветов

fig, axes= plt.subplots(nrows=2, ncols=1, sharex=True)

cmaps = [cmap1, cmap2]

for i, ax in enumerate(fig.axes):
    cf = ax.pcolor(dat, cmap=cmaps[i])        
    if(i == 0):
        fig.colorbar(cf, ax=ax, ticks=np.linspace(0, 1, 7+1))
    else:
        fig.colorbar(cf, ax=ax)
        
plt.suptitle(u'Создание дискретных цветовых палитр')

save('pic_4_5_2', fmt='png')
save('pic_4_5_2', fmt='pdf')

plt.show()


# Автор: Шабанов Павел Александрович
# 
# E-mail: pa.shabanov@gmail.com
# 
# ## Научная графика в Python
# 
# ### Оглавление
# 
# + [Глава 1 Библиотека matplotlib. Pyplot](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P1 Chapter 1 Pyplot.ipynb)
# 
# + [Глава 2 Основные графические команды](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P1 Chapter 2 Main graphical commands.ipynb)
# 
# + [Глава 3 Работа с текстом и шрифтами](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P1 Chapter 3 Text and Fonts.ipynb)
# 
# > + [Глава 4 Цвет и цветовая палитра](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P1 Chapter 4 Color.ipynb)
# 
# **Часть II Структура рисунка в matplotlib**
# 
# + [Глава 5 Рисунок](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P2 Chapter 5 Figure container.ipynb)
# 
# + [Глава 6 Область рисования](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P2 Chapter 6 Axes container.ipynb)
# 
# + [Глава 7 Мультиоконные рисунки](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P2 Chapter 7 Subplots.ipynb)
# 
# + [Глава 8 Координатные оси](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P2 Chapter 8 Axis container.ipynb)
# 
# + [Глава 9 Деления координатных осей](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P2 Chapter 9 Ticks container.ipynb)
# 
# **Часть III Специальные элементы рисунка в matplotlib**
# 
# + [Глава 10 Особенности координатных осей](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P3 Chapter 10 Twinx and log scale.ipynb)
# 
# + [Глава 11 Графики в полярной системе координат](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P3 Chapter 11 Polar plots.ipynb) 
# 
# + [Глава 12 Легенда](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P3 Chapter 12 Legends.ipynb)
# 
# + [Глава 13 Цветовая шкала](http://nbviewer.ipython.org/github/whitehorn/Scientific_graphics_in_python/blob/master/P3 Chapter 13 Colorbar.ipynb)

# In[ ]: