如何让Matplotlib单色顺序配色方案更鲜亮夺目？

我想使用Matplotlib的单色配色方案（比如Blues、Reds），但希望颜色更"突出"——比如提升对比度、增加亮度，让蓝色和红色不再暗淡，达到类似HSV配色方案子集的鲜亮效果。以下是我的示例代码及当前输出：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

num_units_per_rf = 1000

# 模拟高斯分布数据
gaussian_place_cell_rf_list = []
gaussian_score_90_by_neuron_list = []
for place_cell_rf in np.arange(start=1, stop=4, step=0.5):
    score_90_by_neuron = np.random.normal(loc=place_cell_rf, size=num_units_per_rf)
    gaussian_score_90_by_neuron_list.append(score_90_by_neuron)
    gaussian_place_cell_rf_list.append(np.full(fill_value=place_cell_rf, shape=num_units_per_rf))
gaussian_df = pd.DataFrame({
    'place_cell_rf': np.concatenate(gaussian_place_cell_rf_list),
    'score_90_by_neuron': np.concatenate(gaussian_score_90_by_neuron_list),
})


noise_place_cell_rf_list = []
noise_score_90_by_neuron_list = []
for place_cell_rf in np.arange(start=1, stop=4, step=0.5):
    score_90_by_neuron = np.random.normal(loc=-place_cell_rf, size=num_units_per_rf)
    noise_score_90_by_neuron_list.append(score_90_by_neuron)
    noise_place_cell_rf_list.append(np.full(fill_value=place_cell_rf, shape=num_units_per_rf))
noise_df = pd.DataFrame({
    'place_cell_rf': np.concatenate(noise_place_cell_rf_list),
    'score_90_by_neuron': np.concatenate(noise_score_90_by_neuron_list),
})


fig, ax = plt.subplots(figsize=(12, 8))

# 绘制高斯分布和噪声数据的累积KDE
g = sns.kdeplot(
    data=gaussian_df,
    x='score_90_by_neuron',
    common_norm=False,  # 确保每个分组单独归一化
    cumulative=True,
    hue='place_cell_rf',
    palette='Reds',
    ax=ax)

sns.kdeplot(
    data=noise_df,
    x='score_90_by_neuron',
    common_norm=False,  # 确保每个分组单独归一化
    cumulative=True,
    hue='place_cell_rf',
    palette='Blues',
    ax=g)

plt.show()

当前输出 #

期望效果 #

• 期望蓝色效果：
• 期望红色效果：

解决方案 #

方法1：截断配色映射，跳过暗淡浅色范围 #

Matplotlib的单色colormap（如Blues、Reds）通常从浅到深渐变，截取其中颜色更饱和的后半段，直接跳过开头的暗淡浅色：

# 获取分组数量
num_groups = len(gaussian_df['place_cell_rf'].unique())

# 截断Blues配色，只取0.3到1的范围
bright_blues = plt.cm.Blues(np.linspace(0.3, 1, num_groups))
# 截断Reds配色，只取0.3到1的范围
bright_reds = plt.cm.Reds(np.linspace(0.3, 1, num_groups))

# 绘图时替换palette参数
g = sns.kdeplot(
    data=gaussian_df,
    x='score_90_by_neuron',
    common_norm=False,
    cumulative=True,
    hue='place_cell_rf',
    palette=bright_reds,
    ax=ax)

sns.kdeplot(
    data=noise_df,
    x='score_90_by_neuron',
    common_norm=False,
    cumulative=True,
    hue='place_cell_rf',
    palette=bright_blues,
    ax=g)

方法2：调整颜色的饱和度与亮度 #

借助colorsys模块将RGB转为HSV格式，针对性提升饱和度和亮度后再转回RGB：

import colorsys

def brighten_colormap(cmap_name, num_colors, saturation_factor=1.5, brightness_factor=1.2):
    cmap = plt.get_cmap(cmap_name)
    colors = []
    # 跳过最浅的配色段，从0.2开始取色
    for i in np.linspace(0.2, 1, num_colors):
        rgb = cmap(i)[:3]  # 提取RGB值，忽略alpha通道
        hsv = colorsys.rgb_to_hsv(*rgb)
        # 调整参数，确保不超过HSV的取值范围（0-1）
        new_hsv = (
            hsv[0],
            min(hsv[1] * saturation_factor, 1.0),
            min(hsv[2] * brightness_factor, 1.0)
        )
        new_rgb = colorsys.hsv_to_rgb(*new_hsv)
        colors.append(new_rgb)
    return colors

# 生成鲜亮的红、蓝配色
num_groups = len(gaussian_df['place_cell_rf'].unique())
bright_reds = brighten_colormap('Reds', num_groups)
bright_blues = brighten_colormap('Blues', num_groups)

# 绘图时使用自定义配色即可

方法3：用Seaborn生成HSV基准的鲜亮渐变 #

利用Seaborn的dark_palette/light_palette，指定input='hsv'生成基于HSV空间的高饱和度配色：

num_groups = len(gaussian_df['place_cell_rf'].unique())

# 生成鲜亮红色渐变（从亮红到深红）
bright_reds = sns.dark_palette('#ff3333', n_colors=num_groups, reverse=False, input='hsv')
# 生成鲜亮蓝色渐变（从亮蓝到深蓝）
bright_blues = sns.dark_palette('#3333ff', n_colors=num_groups, reverse=False, input='hsv')

# 替换绘图时的palette参数

方法4：直接从HSV空间生成单色渐变 #

如果想要完全复刻HSV的鲜亮感，直接从HSV空间生成固定色调、高饱和度的渐变：

def get_hsv_monochromatic(hue, num_colors, start_val=0.5, end_val=1.0):
    colors = []
    # 固定饱和度为1，只调整亮度值
    for val in np.linspace(start_val, end_val, num_colors):
        rgb = colorsys.hsv_to_rgb(hue, 1.0, val)
        colors.append(rgb)
    return colors

# 红色的hue约为0，蓝色约为0.67
num_groups = len(gaussian_df['place_cell_rf'].unique())
bright_reds = get_hsv_monochromatic(0, num_groups)
bright_blues = get_hsv_monochromatic(0.67, num_groups)

# 绘图时使用该配色

内容的提问来源于stack exchange，提问作者Rylan Schaeffer