如何用Matplotlib的imshow()绘制三个2D密度图并优化显示效果？

1. 给每个子图单独适配颜色范围 #

别共用一套归一化参数，针对每个密度数据单独设置vmin和vmax，甚至用百分位数过滤极端值，避免少数高值把整个颜色范围拉平。比如：

import matplotlib.pyplot as plt
import numpy as np

# 假设n0、n1、n2是你的2D密度数组
fig, axes = plt.subplots(1, 3, figsize=(15, 4))

# 处理n0：用1%和99%百分位数截断极端值
im0 = axes[0].imshow(n0, vmin=np.percentile(n0, 1), vmax=np.percentile(n0, 99))
axes[0].set_title('n0 Density')
fig.colorbar(im0, ax=axes[0])

# 同理处理n1和n2
im1 = axes[1].imshow(n1, vmin=np.percentile(n1, 1), vmax=np.percentile(n1, 99))
axes[1].set_title('n1 Density')
fig.colorbar(im1, ax=axes[1])

im2 = axes[2].imshow(n2, vmin=np.percentile(n2, 1), vmax=np.percentile(n2, 99))
axes[2].set_title('n2 Density')
fig.colorbar(im2, ax=axes[2])

plt.tight_layout()
plt.show()

2. 用对数颜色映射处理数量级差异 #

如果三个数据是数量级上的差异（比如一个是几百，一个是几十万），对数缩放能直接拉开不同量级的颜色区分度。注意要排除0值，避免对数计算报错：

from matplotlib.colors import LogNorm

# 以n0为例，取非0最小值作为vmin
im0 = axes[0].imshow(n0, norm=LogNorm(vmin=n0[n0>0].min(), vmax=n0.max()))

3. 自定义分段颜色映射 #

如果数据有明显的区间分界，手动做分段colormap，让不同区间的颜色差异更扎眼：

from matplotlib.colors import BoundaryNorm, ListedColormap

# 自定义分界点和对应的颜色
bounds = [0, 100, 1000, 10000, 100000]
colors = ['#ffffcc','#c7e9b4','#7fcdbb','#41b6c4','#2c7fb8']
cmap = ListedColormap(colors)
norm = BoundaryNorm(bounds, cmap.N)

im = axes[0].imshow(n0, cmap=cmap, norm=norm)

4. 别叠加，用子图直接对比 #

叠加多个密度图本来就容易因为颜色混合、透明度问题导致模糊，不如把三个图放在同一画布的子图里，直接对比每个图的细节，反而更清晰。

内容的提问来源于stack exchange，提问作者Hossein