如何为Matplotlib聚类散点图设置高对比度颜色

针对150个聚类的散点图区分难题，可通过以下几种方式提升可视化效果：

一、使用感知均匀的高对比度配色映射 #

Matplotlib内置了多款适合大量类别的感知均匀colormap，这类配色能确保相邻类别颜色差异明显，且视觉上不会出现亮度突变，适配150个聚类的场景：

• 优先选择viridis、plasma、inferno、magma、cividis这类官方推荐的连续配色，颜色过渡自然且区分度高
• 也可使用nipy_spectral这类颜色跨度大的离散感配色

修改代码示例：

plt.figure(figsize=(22, 25), dpi = 80)
# 加入cmap参数指定配色，同时添加颜色条对应类别编号
scatter = plt.scatter(reduced_features[:, 0], reduced_features[:,1], 
                      c = kmeans.predict(vec_matrix_pca), s = 10, 
                      cmap='viridis')
plt.scatter(reduced_cluster_centers[:, 0], reduced_cluster_centers[:, 1], 
            marker = 'X', s = 150, c = 'k')  # 改用黑色粗X标记聚类中心，更突出
plt.grid()
plt.colorbar(scatter, ticks=range(150))  # 添加颜色条，方便对应聚类编号
plt.show()

二、生成自定义高对比度离散配色 #

如果内置配色不够满足需求，可通过Seaborn生成指定数量的高对比度离散颜色：

import seaborn as sns

plt.figure(figsize=(22, 25), dpi = 80)
# 生成150个husl色系的高对比度颜色
custom_cmap = sns.color_palette("husl", 150)
scatter = plt.scatter(reduced_features[:, 0], reduced_features[:,1], 
                      c = kmeans.predict(vec_matrix_pca), s = 10, 
                      cmap=custom_cmap)
plt.scatter(reduced_cluster_centers[:, 0], reduced_cluster_centers[:, 1], 
            marker = 'X', s = 150, c = 'k')
plt.grid()
plt.colorbar(scatter, ticks=range(150))
plt.show()

三、辅助优化手段 #

• 适当增大散点大小：将s=7调整为s=10~15，避免点过小导致颜色混叠
• 调整网格透明度：使用plt.grid(alpha=0.3)降低网格对散点的干扰
• 若聚类存在重叠严重的情况，可尝试调整散点的透明度alpha=0.7，既保留重叠区域的视觉提示，又能区分不同聚类

内容的提问来源于stack exchange，提问作者taga