如何使用连续的值着色Matplotlib散点图？

Matplotlib是一款Python的绘图库，提供了丰富的绘图函数和工具，可以创建高品质的二维和三维图像。在Matplotlib中，散点图(scatter plot)是一种常见的数据可视化方式，用于展示两个变量之间的关系。而本文将重点探讨如何使用连续的值着色Matplotlib散点图。

生成散点图

在开始探讨如何使用连续的值着色散点图之前，我们先来了解如何生成散点图。假设我们有两个数组x和y，且它们具有相同的长度。我们可以使用Matplotlib的scatter函数来绘制散点图，代码如下所示：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.scatter(x, y)

plt.show()

从上图中我们可以看出，在横坐标为1、2、3、4、5的位置上，纵坐标分别为2、4、6、8、10的点形成了散点图。上述示例只是最基本的散点图，接下来我们将介绍如何使用连续的值着色Matplotlib散点图。

使用连续的值着色散点图

在Matplotlib中，我们可以使用颜色映射(colormap)函数cmap来为散点图着色。cmap函数可以将低值映射为浅色，高值映射为深色，使得散点图中的颜色能够代表数据的数值大小。在本节中，我们将使用数值大小来着色散点图。

下面是一个例子，我们将创建一个包含100个点的散点图，每个点的大小和颜色将根据它们的高度而变化：

import numpy as np
import matplotlib.pyplot as plt

# 创建一个包含100个点的数组
x = np.random.rand(100)
y = np.random.rand(100)

# 为每个点分配一个高度
z = np.random.rand(100) * 1000

# 绘制散点图，用颜色映射函数'jet'来着色
plt.scatter(x, y, c=z, cmap='jet')

plt.colorbar()

plt.show()

从上图中我们可以看出，点的大小和颜色均根据它们的高度而变化，黄色的点表示高度较高的点，而蓝色的点表示高度较低的点。同样，我们可以使用其他的颜色映射函数来着色散点图。

修改颜色映射范围

在上一个例子中，我们将点的高度映射到了0-1000之间的连续值上，并用颜色映射函数来着色。但是，有时候我们可能需要修改颜色映射的范围，以便更好地展示数据的差异。我们可以使用vmin和vmax参数来修改颜色映射的范围。

下面是一个例子，我们将创建一个包含100个点的散点图，每个点的大小和颜色将根据它们的高度而变化。与之前不同的是，在本例中，我们将在散点图中只展示高度在0-500之间的数据。

import numpy as np
import matplotlib.pyplot as plt

# 创建一个包含100个点的数组
x = np.random.rand(100)
y = np.random.rand(100)

# 为每个点分配一个高度
z = np.random.rand(100) * 1000

# 绘制散点图，用颜色映射函数'jet'来着色
plt.scatter(x, y, c=z, cmap='jet', vmin=0, vmax=500)

plt.colorbar()

plt.show()

从上图中我们可以看出，散点图中只包含高度在0-500之间的数据，颜色映射范围的改变使得数据差异更加清晰。

自定义颜色映射

除了使用Matplotlib内置的颜色映射函数外，我们还可以根据自己的需求来自定义颜色映射。下面是一个例子，我们将创建一个包含100个点的散点图，每个点的大小和颜色将根据它们的高度而变化。此外，我们还将自定义颜色映射，将浅蓝色映射到低值，深蓝色映射到高值。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

# 创建一个包含100个点的数组
x = np.random.rand(100)
y = np.random.rand(100)

# 为每个点分配一个高度
z = np.random.rand(100) * 1000

# 定义自定义颜色映射
cdict = {'red': ((0.0, 0.0, 0.0), (1.0, 0.0, 0.0)),
         'green': ((0.0, 0.0, 0.0), (1.0, 0.0, 0.0)),
         'blue': ((0.0, 0.5, 0.5), (1.0, 1.0, 1.0))}
custom_cmap = LinearSegmentedColormap('custom_cmap', cdict)

# 绘制散点图，用自定义颜色映射来着色
plt.scatter(x, y, c=z, cmap=custom_cmap, vmin=0, vmax=1000)

plt.colorbar()

plt.show()

从上图中我们可以看出，浅蓝色表示较低的高度，深蓝色表示较高的高度。自定义颜色映射的使用使得我们能够更好地展示数据差异。