1. 初识plt.scatter的色彩世界
第一次接触Matplotlib的散点图时,我完全被plt.scatter的色彩参数搞晕了。记得当时为了给一组城市气温数据上色,硬是把所有点都设成了红色,结果被同事笑话"你这热力图也太热了"。今天我们就来彻底解决这个痛点,让你不仅能玩转基础配色,还能用色彩讲出数据故事。
plt.scatter的色彩控制主要依赖三个关键参数:c、cmap和norm。其中c参数最基础也最灵活,它支持多种输入形式:
- 单个颜色字符串:如'red'或'#FF0000'
- 颜色列表:['red', 'blue', 'green']
- 数值数组:通过cmap映射为颜色
python复制import numpy as np
import matplotlib.pyplot as plt
# 基础颜色设置示例
x = np.random.rand(50)
y = np.random.rand(50)
colors = ['red' if i > 0.5 else 'blue' for i in y]
plt.scatter(x, y, c=colors, s=100)
plt.title("基础双色散点图")
plt.show()
这个例子中,我们把y值大于0.5的点设为红色,其余为蓝色。但实际项目中,我们往往需要更精细的色彩控制。比如在气象可视化中,温度变化需要连续的色彩过渡;在人口密度图中,不同量级需要明确的色彩区分。这时候就需要更高级的技巧了。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 色彩映射的艺术:从数值到颜色
真正让散点图色彩活起来的秘诀在于数值到颜色的映射。Matplotlib提供了超过100种内置的colormap(色彩映射表),从简单的'viridis'到专业的'coolwarm',每种都有独特的表达效果。
我常用的colormap选择策略是:
- 连续数据:如温度、海拔,用'viridis'、'plasma'等连续渐变色
- 发散数据:如温度异常、盈利亏损,用'coolwarm'、'RdBu'等双端渐变色
- 分类数据:如不同物种、城市类型,用'tab10'、'Set3'等离散色板
python复制# 气温数据可视化示例
np.random.seed(42)
temps = np.random.normal(25, 5, 100) # 平均25℃的气温数据
humidity = np.random.rand(100) * 100
plt.scatter(range(100), humidity, c=temps, cmap='coolwarm', s=100)
plt.colorbar(label='温度(℃)')
plt.title("城市温湿度分布")
plt.xlabel("监测点")
plt.ylabel("湿度(%)")
plt.show()
这里我们用了'coolwarm'色板,蓝色表示低温,红色表示高温,中间色表示适中温度。colorbar的添加让色彩与数值的对应关系一目了然。实际项目中我发现,选择合适的cmap
