如何结合散点图与密度热力图？实现点按聚类密度冷暖着色

你的需求完全可以实现，核心是通过计算每个点的局部密度，将密度值与蓝红渐变的色阶绑定，高密度点显红色（暖色），低密度点显蓝色（冷色）。

具体实现步骤 #

1. 计算每个点的局部密度 #

这里提供两种实用方法，任选其一即可：

方法一：k近邻距离法（直观高效）

通过计算每个点到最近k个邻居的平均距离，距离越小则密度越高，取距离倒数作为密度值：

import plotly.express as px
import numpy as np
from sklearn.neighbors import NearestNeighbors

# 提取x、y列数据
X = data[['A', 'B']].values
# 初始化近邻模型，k值可根据数据调整（比如k=5）
nbrs = NearestNeighbors(n_neighbors=5).fit(X)
# 计算每个点到k个邻居的距离
distances, _ = nbrs.kneighbors(X)
# 计算密度值：平均距离的倒数，值越大密度越高
data['density'] = 1 / np.mean(distances, axis=1)

方法二：核密度估计法（平滑度更高）

用高斯核函数估计每个点的密度，适合需要更平滑密度分布的场景：

import plotly.express as px
import numpy as np
from sklearn.neighbors import KernelDensity

X = data[['A', 'B']].values
# 拟合KDE模型，bandwidth（带宽）需根据数据调整
kde = KernelDensity(bandwidth=0.5, kernel='gaussian').fit(X)
# 计算密度值（转换为原始密度，而非对数）
data['density'] = np.exp(kde.score_samples(X))

2. 绘制带密度颜色的散点图 #

将计算出的density列作为颜色映射变量，使用蓝红反转色阶（RdBu_r）让高密度对应红色：

fig = px.scatter(data, x='A', y='B', color='density',
                 color_continuous_scale='RdBu_r',  # 蓝→红的渐变（反转色阶）
                 trendline='ols',  # 保留原有的ols趋势线
                 color_continuous_midpoint=np.mean(data['density']))  # 可选：设置色阶中点

# 自定义颜色条标题
fig.update_layout(coloraxis_colorbar=dict(title='局部密度'))
fig.show()

调整技巧 #

• 参数优化：k近邻的k值、KDE的bandwidth需根据你的数据分布调整，建议多试几个值找到最佳效果
• 色阶自定义：如果默认的RdBu_r不符合需求，可自定义色阶，比如color_continuous_scale=['#0066FF', '#FF3333']
• 性能优化：数据量较大时，优先用k近邻法，计算速度比KDE更快

内容的提问来源于stack exchange，提问作者Bob McBobson