基于点间距离着色的Matplotlib散点图实现问询

问题解答 #

Matplotlib没有直接实现“按点间平均距离自动着色”的现成函数，需要自定义计算逻辑，但可以借助numpy的向量化运算实现高效计算，完全避免低效的逐点循环。

高效计算方案 #

核心思路是利用numpy广播特性批量计算点对距离，再快速统计每个点的平均距离，步骤如下：

• 将每组点的x、y坐标合并为二维数组（shape=(n, 2)）
• 批量计算所有点对的欧氏距离，生成距离矩阵
• 计算每个点到其他所有点的平均距离（排除自身的0距离）
• 将平均距离归一化到[0,1]区间，作为颜色映射的输入值

完整代码实现 #

import matplotlib.pyplot as plt
import numpy as np

def compute_avg_distances(x, y):
    # 合并坐标为二维数组
    points = np.column_stack((x, y))
    # 用广播计算所有点对的坐标差
    diffs = points[:, np.newaxis, :] - points[np.newaxis, :, :]
    # 计算欧氏距离矩阵
    dist_matrix = np.sqrt(np.sum(diffs ** 2, axis=-1))
    # 计算每个点的平均距离（排除自身距离，即对角线的0）
    avg_distances = (dist_matrix.sum(axis=1) - np.diag(dist_matrix)) / (len(points) - 1)
    # 归一化到[0,1]区间
    normalized_dists = (avg_distances - avg_distances.min()) / (avg_distances.max() - avg_distances.min())
    return normalized_dists

# 第一组数据
x1 = np.array([1,3,4,6,7,9,10,11,13,14,15])
y1 = np.array([1,3,4,6,7,9,10,11,13,14,15])
norm_dists1 = compute_avg_distances(x1, y1)

# 第二组数据
x2 = np.array([6,7,8,9,10,11,12,13,14,15])
y2 = np.array([1,4,7,10,13,16,19,22,25,28])
norm_dists2 = compute_avg_distances(x2, y2)

# 绘制散点图
plt.figure(figsize=(10,6))
# 第一组：平均距离最小（密集区）对应Reds最亮，最大对应最深
scatter1 = plt.scatter(x1, y1, c=norm_dists1, cmap='Reds', s=100, alpha=0.8)
# 第二组同理
scatter2 = plt.scatter(x2, y2, c=norm_dists2, cmap='Reds', s=100, alpha=0.8)

# 添加颜色条，标注含义
plt.colorbar(scatter1, label='归一化平均距离（值越小，点越密集）')
plt.xlabel('X参数')
plt.ylabel('Y参数')
plt.title('基于点间距离的散点图着色')
plt.legend(['第一组数据', '第二组数据'])
plt.show()

针对核心目标的调整 #

你的核心需求是用颜色区分参数关系的强弱：

• 若要密集区（平均距离小）用亮色，直接使用上述代码的c=norm_dists1即可（Reds色卡中0对应最浅亮色，1对应最深暗色）
• 若要密集区用深色，只需将颜色参数改为c=1 - norm_dists1，这样密集点对应色卡的深色，稀疏点对应浅色

内容的提问来源于stack exchange，提问作者Matteo