如何在Matplotlib中扩展调色板以适配多变量绘图需求？

针对你遇到的「40个变量循环绘图时，Matplotlib默认10色调色板不够用导致颜色重复」的问题，这里有几个灵活适配任意变量数量的解决方案，保证每个变量都有独有的、区分度高的颜色：

方案1：利用Matplotlib内置Colormap生成连续颜色 #

Matplotlib提供了大量内置的颜色映射（Colormap），可以直接根据变量数量生成对应数量的离散颜色，而且很多调色板是色盲友好的，比如viridis：

import matplotlib.cm as cm

# 获取变量总数，生成对应数量的颜色列表
total_vars = len(num_columns)
# 选择viridis调色板，生成total_vars个颜色
color_list = cm.get_cmap('viridis', total_vars)(range(total_vars))

# 循环绘图时直接取对应颜色
for i, col in enumerate(num_columns):
    plot_cumulative_dynamic_auc(X_test.iloc[:, i], col, color=color_list[i])
    ret = concordance_index_ipcw(y_trn, y_test, X_test.iloc[:, i], tau=times[-1])

你可以替换viridis为其他调色板，比如plasma、inferno、cividis（这些都是对色盲友好的选项）；如果喜欢鲜艳的颜色，也可以用rainbow。

方案2：用Seaborn生成高区分度调色板 #

Seaborn的color_palette函数可以轻松生成指定数量的、区分度高的颜色，尤其适合大量变量的场景：

import seaborn as sns

# 生成对应变量数量的husl调色板颜色（色相均匀分布，颜色差异明显）
color_list = sns.color_palette("husl", n_colors=len(num_columns))

for i, col in enumerate(num_columns):
    plot_cumulative_dynamic_auc(X_test.iloc[:, i], col, color=color_list[i])
    ret = concordance_index_ipcw(y_trn, y_test, X_test.iloc[:, i], tau=times[-1])

husl调色板基于人类视觉感知调整了饱和度和亮度，比基础的hls调色板颜色更柔和、区分度更高。你也可以尝试tab20这类专为多类别设计的调色板。

方案3：手动生成色相循环的颜色（无额外依赖） #

如果不想引入Seaborn，也可以通过colorsys模块手动生成均匀分布的色相颜色，完全自定义：

import colorsys

total_vars = len(num_columns)
color_list = []

for idx in range(total_vars):
    # 色相从0到1循环，固定饱和度和亮度，保证颜色差异明显
    hue = idx / total_vars
    # 转换为RGB格式（Matplotlib支持RGB元组）
    rgb_color = colorsys.hsv_to_rgb(hue, 0.7, 0.9)
    color_list.append(rgb_color)

for i, col in enumerate(num_columns):
    plot_cumulative_dynamic_auc(X_test.iloc[:, i], col, color=color_list[i])
    ret = concordance_index_ipcw(y_trn, y_test, X_test.iloc[:, i], tau=times[-1])

额外优化建议 #

当变量数量达到40个时，图例可能会非常拥挤，你可以通过调整图例位置来避免遮挡图表：

plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0)

这样图例会显示在图表右侧，不占用绘图区域。

内容的提问来源于stack exchange，提问作者Hashriama