Python中快速映射标量至十六进制颜色的优化方案问询

嘿，针对你的需求——只需要20种颜色，完全可以绕开matplotlib中to_rgba()的性能瓶颈，用预生成查找表的方式实现超快速映射！下面给你两个实用的方案：

方案1：手动预生成颜色查找表（最轻量化） #

既然只固定用20种颜色，我们可以提前一次性生成所有颜色的十六进制值，后续直接通过索引映射，完全避免重复调用耗时的颜色转换函数。

步骤1：预生成十六进制颜色列表 #

import matplotlib.cm as cm
import matplotlib.colors as colors

# 选择你偏好的配色方案（比如viridis、plasma都可以），指定生成20种颜色
cmap = cm.get_cmap('viridis', 20)
# 一次性把20种颜色转换成十六进制格式
hex_color_list = [colors.to_hex(cmap(i)) for i in range(20)]

步骤2：快速映射函数 #

接下来只需要把你的标量归一化后映射到0-19的索引，直接取对应的颜色即可：

import numpy as np

def scalar_to_hex(scalar, min_scalar, max_scalar):
    # 把标量归一到0-1的范围
    normalized = (scalar - min_scalar) / (max_scalar - min_scalar)
    # 映射到0-19的整数索引，用clip防止超出范围
    color_idx = int(np.clip(normalized * 19, 0, 19))
    return hex_color_list[color_idx]

方案2：结合ScalarMappable的归一器（更灵活） #

如果你需要用ScalarMappable的归一逻辑（比如自动处理超出范围的标量），也可以基于它预生成查找表，同样能绕过to_rgba()：

from matplotlib.cm import ScalarMappable
from matplotlib.colors import Normalize
import numpy as np
import matplotlib.colors as colors

# 设置标量的取值范围和配色方案
min_val = 0  # 你的标量最小值
max_val = 100  # 你的标量最大值
cmap = cm.get_cmap('viridis', 20)

# 初始化归一器和ScalarMappable
norm = Normalize(vmin=min_val, vmax=max_val)
sm = ScalarMappable(norm=norm, cmap=cmap)

# 预生成十六进制颜色列表（仅执行一次）
hex_color_list = [colors.to_hex(sm.cmap(i)) for i in range(sm.cmap.N)]

# 快速映射函数
def fast_map_scalar(scalar):
    # 用归一器得到0-1的归一值
    norm_val = norm(scalar)
    # 映射到颜色索引
    color_idx = int(np.clip(norm_val * (sm.cmap.N - 1), 0, sm.cmap.N - 1))
    return hex_color_list[color_idx]

为什么这两种方法更快？ #

原来的to_rgba()每次调用都要完成颜色空间转换、归一化等一系列操作，处理20000个值自然慢。而我们的方案只在初始化时生成一次颜色列表，后续的映射都是简单的数值计算和列表索引查找，性能能提升几个数量级——处理20000个值应该只需要几毫秒。

如果你的标量本身就是离散的（比如0-19的整数），那更简单，直接用hex_color_list[scalar]就能拿到颜色，连归一化都省了！

内容的提问来源于stack exchange，提问作者Claudiu Creanga