如何绘制基于聚类隶属度的colormap散点图实现软聚类可视化

你需要的这类展示跨聚类隶属关系的散点图，核心逻辑是放弃硬分配单一点固定颜色的规则，用每个点在各聚类的隶属度作为权重，对预设的聚类基色做加权混合，得到每个点独有的过渡色，不需要调用预置的连续色卡，就能实现聚类边界自然过渡的效果。

具体实现流程 #

• 预设聚类基色：根据聚类数量选择对应数量的高区分度RGB基色，比如3聚类就选红、绿、蓝三原色，2聚类选橙、紫这类对比色即可，基色数值统一用0-1范围的RGB值。
• 逐点计算混色结果：对每个数据点，将它在所有聚类的隶属度（软聚类输出的概率/权重值，单样本所有隶属度和为1）作为权重，和对应聚类的基色做加权求和，直接得到该点的最终RGB颜色值。比如某点在红聚类隶属度0.4、蓝聚类隶属度0.6，最终颜色就是40%红+60%蓝的紫色调，直观体现它介于两个聚类之间的归属状态。
• 传入散点接口绘图：不需要使用matplotlib内置colormap，直接把所有点计算好的RGB颜色数组传给散点函数的颜色参数，搭配适当的透明度参数解决点重叠遮挡问题即可。

可直接复用的参考代码 #

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.mixture import GaussianMixture

# 生成测试数据集
X, _ = make_blobs(n_samples=1600, centers=3, cluster_std=1.9, random_state=42)

# 执行软聚类，GMM可直接输出每个样本对应各聚类的隶属度概率
gmm = GaussianMixture(n_components=3, random_state=42)
gmm.fit(X)
membership = gmm.predict_proba(X)  # 输出维度为(样本数, 聚类数)，每行隶属度和为1

# 定义3个聚类对应的RGB基色（数值范围0-1）
base_colors = np.array([
    [1.0, 0.25, 0.2],  # 聚类0：红色
    [0.2, 0.95, 0.3],  # 聚类1：绿色
    [0.25, 0.4, 1.0]   # 聚类2：蓝色
])

# 矩阵乘法批量计算所有样本点的混色结果，比逐点循环效率高很多
point_colors = membership @ base_colors

# 绘制最终散点图
plt.figure(figsize=(8, 6), dpi=130)
plt.scatter(X[:, 0], X[:, 1], c=point_colors, s=16, alpha=0.7)
plt.axis('off')
plt.show()

效果调优技巧 #

• 如果觉得聚类边界的过渡色太淡、区分度不够，可以对隶属度做幂次变换强化权重差：比如将隶属度替换为membership ** 1.6后重新做行归一化（保证每行和为1），再计算混色。幂次越高，点的颜色越接近所属概率最高聚类的纯色，越接近硬聚类效果；幂次越低，颜色过渡越柔和。
• 点密度过高时可以把alpha参数调到0.3~0.5，重叠区域颜色会自然加深，同时还能体现数据的密度分布。
• 需要添加图例时，直接用对应基色创建自定义色块即可，不需要从散点中提取颜色。

内容的提问来源于stack exchange，提问作者Jazim Sohail