Matplotlib自定义色图边界匹配向量间隔及渐变色图适配问题

实现方案 #

1. 按区间样本量调整色条间隔的方法 #

你要的效果确实不能通过spacing='proportional'实现，该参数仅能让色条间隔和数值边界的大小成正比。要让色条段长度匹配对应区间的样本数量，需要两步操作：

• 首先统计你预设的每个特征区间内的样本数量，计算各区间样本量占总样本的比例
• 自定义数值到色条位置的映射规则，让每个颜色段在色条上的长度和对应区间的样本占比一致

修改后的可运行代码如下：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.colors as colors

fig = plt.figure(figsize=(10,7))
ax = fig.add_subplot()
category = [0,0,0,0.1,0.4,0.9,1.5]
r = np.random.uniform(size=[len(category)*100]).reshape(len(category),100)

# 原始特征区间边界
bounds = np.array([0, 0.3, 0.5, 1.5])
# 统计每个区间内的样本数量
counts = []
for i in range(len(bounds)-1):
    cnt = np.sum((np.array(category) >= bounds[i]) & (np.array(category) < bounds[i+1]))
    counts.append(cnt)
counts = np.array(counts)
# 计算按样本量分配的色条位置比例
cum_counts = np.cumsum([0] + list(counts))
norm_pos = cum_counts / cum_counts[-1]

# 自定义数值到色条位置的映射函数
def value_to_norm(x):
    # 定位x所属的区间
    idx = np.searchsorted(bounds, x, side='right') - 1
    idx = np.clip(idx, 0, len(bounds)-2)
    # 区间内线性映射到对应色条段范围
    x_low, x_high = bounds[idx], bounds[idx+1]
    pos_low, pos_high = norm_pos[idx], norm_pos[idx+1]
    return pos_low + (x - x_low) / (x_high - x_low) * (pos_high - pos_low)

# 生成自定义Norm规则
norm = colors.FuncNorm((value_to_norm, lambda x: x), vmin=0, vmax=1)
# 此处使用分段色图，也可替换为任意连续渐变色图
cmap = colors.ListedColormap(['green', 'blue', 'red'])
scalar_map = plt.cm.ScalarMappable(norm=norm, cmap=cmap)
scalar_map.set_array([])

for no, cat in enumerate(category):
    ax.plot(r[no][r[no]>0.1],no*np.ones(100)[r[no]>0.1],'o',color=scalar_map.to_rgba(value_to_norm(cat)))

# 绘制色条，设置刻度对应原始边界值
cbar = fig.colorbar(scalar_map, ax=ax, pad=0.01, ticks=norm_pos)
cbar.set_ticklabels(bounds)
plt.show()

2. 连续渐变色图适配说明 #

这种自定义边界逻辑完全可以用于非分段的渐变色图，仅需要把代码里的ListedColormap替换为任意内置连续色图即可，比如plt.cm.viridis、plt.cm.plasma等，数值到颜色的映射会自动适配你定义的样本量权重间隔。

内容的提问来源于stack exchange，提问作者SerKo