如何在Seaborn中按两类变量实现带渐变的分类着色？

要实现同一图内叠加、按category区分主色系、按category_2数值生成渐变的需求，我们可以通过两种清晰可控的方式来完成：分批次绘图指定渐变调色板，或者构建组合分类变量并自定义颜色映射。

方法一：分批次绘图（直观可控） #

这种方式可以明确给category=0和category=1各自分配一套渐变色系，同时保留size和style对category_2的区分：

%pylab inline
import pandas as pd
import numpy as np
import seaborn as sns; sns.set();sns.set_style("whitegrid")

# 生成示例数据（和你的代码一致）
df = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))
df['category'] = df['A'].mod(2)
df['category_2'] = df['B'].mod(3)

# 为每个category定义渐变调色板：category=0用蓝色渐变，category=1用红色渐变
# 使用_r后缀让数值大的category_2对应更深的颜色
palette_cat0 = sns.color_palette("Blues_r", n_colors=df['category_2'].nunique())
palette_cat1 = sns.color_palette("Reds_r", n_colors=df['category_2'].nunique())

# 创建绘图画布
fig, ax = plt.subplots(figsize=(8, 6))

# 绘制category=0的所有曲线
sns.lineplot(
    x='C', y='D',
    data=df[df['category'] == 0],
    hue='category_2',
    size='category_2',
    style='category_2',
    palette=palette_cat0,
    ax=ax
)

# 绘制category=1的所有曲线，叠加在同一图上
sns.lineplot(
    x='C', y='D',
    data=df[df['category'] == 1],
    hue='category_2',
    size='category_2',
    style='category_2',
    palette=palette_cat1,
    ax=ax
)

# 优化图例：合并重复的category_2标签，明确标注所属的category
handles, labels = ax.get_legend_handles_labels()
# 只保留前6个有效图例（每个category对应3个category_2值）
new_legend_labels = [f'Cat 0 - {lab}' for lab in labels[:3]] + [f'Cat 1 - {lab}' for lab in labels[3:6]]
ax.legend(handles[:6], new_legend_labels, title='Category & Category 2')

plt.title('Gradient Line Plot with Overlaid Categories')
plt.show()

方法二：构建组合分类变量（简洁高效） #

我们可以把category和category_2组合成一个新变量，然后为每个组合自定义颜色，实现渐变效果：

%pylab inline
import pandas as pd
import numpy as np
import seaborn as sns; sns.set();sns.set_style("whitegrid")

# 生成示例数据
df = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))
df['category'] = df['A'].mod(2)
df['category_2'] = df['B'].mod(3)

# 创建组合分类变量：格式为"category_category_2"
df['cat_combined'] = df.apply(lambda row: f"{row['category']}_{row['category_2']}", axis=1)

# 构建颜色映射：给每个组合分配对应渐变颜色
color_mapping = {}
# 给category=0的三个category_2值分配蓝色渐变
for idx, c2_val in enumerate(df['category_2'].unique()):
    color_mapping[f"0_{c2_val}"] = sns.color_palette("Blues_r", 3)[idx]
# 给category=1的三个category_2值分配红色渐变
for idx, c2_val in enumerate(df['category_2'].unique()):
    color_mapping[f"1_{c2_val}"] = sns.color_palette("Reds_r", 3)[idx]

# 绘制单图
sns.lineplot(
    x='C', y='D',
    data=df,
    hue='cat_combined',
    size='category_2',
    style='category_2',
    palette=color_mapping
)

# 优化图例标签
handles, labels = plt.gca().get_legend_handles_labels()
clean_labels = [lab.replace('_', ' - Cat ') for lab in labels[:6]]
plt.legend(handles[:6], clean_labels, title='Category - Category 2')

plt.title('Combined Hue with Gradient Colors')
plt.show()

关键说明 #

• 我们使用Blues_r和Reds_r色系（_r表示反向渐变），让category_2数值越大，颜色越深，符合你“根据数值大小生成渐变色”的需求；
• 两种方法都避免了relplot的子图拆分问题，实现了曲线叠加，方便对比不同category的趋势；
• 图例优化是为了避免重复的category_2标签，让图表更易读。

内容的提问来源于stack exchange，提问作者Georg Heiler