多hue/类别场景下，如何在全数据2D KDEplot上绘制子集scatterplot？

问题场景 #

当数据包含多类别（hue字段）时，先基于全量数据绘制2D KDE填充图，再在上方绘制某单一类别子集的散点图，出现散点颜色与对应类别KDE颜色不一致的问题。

问题原因 #

Seaborn在绘制散点图时，若传入的数据仅包含单一类别，会自动重置颜色映射逻辑，不再沿用KDEplot使用的全局调色板，导致颜色不匹配。

解决方法 #

方法1：手动指定全局调色板 #

先获取Seaborn的默认调色板（或自定义调色板），让KDEplot和scatterplot共用同一套颜色规则：

from sklearn.datasets import make_blobs
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 生成数据集
X, y = make_blobs(n_samples=200, n_features=2, centers=3, random_state=2, cluster_std=1.5)
df = pd.DataFrame(X, columns=['a', 'b'])
df['target'] = y

# 获取Seaborn默认调色板（类别数与target一致）
palette = sns.color_palette(n_colors=len(df['target'].unique()))

# 绘制全量数据KDE图
sns.kdeplot(
    data=df,
    x='a', y='b',
    hue='target',
    fill=True,
    alpha=0.2,
    palette=palette  # 指定调色板
)

# 绘制单一类别子集散点图，手动指定对应颜色
sns.scatterplot(
    data=df[df.target == 2],
    x="a", y="b",
    color=palette[2],  # 直接使用调色板中对应索引的颜色
    s=50  # 可选：调整散点大小
)

plt.legend(title='target', labels=[0,1,2])  # 手动维护图例（可选）
plt.show()

方法2：保留全局hue映射 #

让scatterplot知晓所有类别存在，即使只绘制子集，避免重置颜色映射：

from sklearn.datasets import make_blobs
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 生成数据集
X, y = make_blobs(n_samples=200, n_features=2, centers=3, random_state=2, cluster_std=1.5)
df = pd.DataFrame(X, columns=['a', 'b'])
df['target'] = y

# 绘制全量数据KDE图
sns.kdeplot(
    data=df,
    x='a', y='b',
    hue='target',
    fill=True,
    alpha=0.2
)

# 绘制子集散点图，指定hue_order和palette继承全局规则
sns.scatterplot(
    data=df[df.target == 2],
    x="a", y="b",
    hue="target",
    hue_order=df['target'].unique(),  # 指定所有类别顺序
    legend=False  # 关闭散点图例，避免重复
)

plt.show()

效果说明 #

两种方法都能保证散点颜色与对应类别的KDE填充颜色完全一致，同时保留KDE图的完整类别图例。

内容的提问来源于stack exchange，提问作者Cyril