嘿，我完全懂你现在的头疼——默认的热力图颜色缩放逻辑简直是按自己的性子来，完全不搭理咱们设定的规则！就像你说的，当数据最大值只有0.10的时候，它居然敢把绿色给用上，这明显不符合咱们的要求嘛。别慌，咱们直接从根上解决这个问题：手动固定颜色梯度的断点，彻底摆脱数据自动极值的束缚。

先再把咱们要的颜色规则捋一遍，确保没偏差：

• 数值大于0.12：从0.12（黄色）往数据最大值渐变到深绿色
• 数值在0.05到0.12之间：从红色渐变到黄色
• 数值小于0.05：从暗红色渐变到红色

核心问题就是之前的工具自动把颜色映射绑定到了数据的全局最大最小值，咱们要做的就是把颜色映射的规则绑定到0.05和0.12这两个固定阈值，不管数据本身的分布如何。

我给你拿Python的Seaborn（最常用的热力图工具之一）举个例子，你可以直接套用到自己的代码里：

第一步：构造示例数据（和你给的结构一致） #

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

# 把你给的示例数据转成DataFrame
data = [
    ['A', 0.10, 0.3, 1.0],
    ['B', 0.9, 0.2, 0.2],
    ['C', 0.8, -0.1, 0.1]
]
df = pd.DataFrame(data, columns=['Label', 'Col1', 'Col2', 'Col3']).set_index('Label')

第二步：自定义固定断点的颜色映射 #

这里的关键是强制把0.05和0.12设为颜色渐变的关键节点，哪怕数据的最大最小值没覆盖到这两个值：

# 定义咱们的固定阈值
low_thresh = 0.05  # 红和暗红的分界
mid_thresh = 0.12  # 黄和绿的分界
min_val = df.min().min()  # 数据全局最小值
max_val = df.max().max()  # 数据全局最大值

# 构造颜色断点列表：确保mid_thresh始终在断点里，哪怕数据最大值小于它
color_bins = [min_val, low_thresh, mid_thresh, max(mid_thresh, max_val)]
# 对应每个断点的颜色：暗红→红→黄→深绿
color_list = ['#8B0000', '#FF0000', '#FFFF00', '#006400']

# 创建自定义的分段颜色映射
custom_cmap = LinearSegmentedColormap.from_list('heatmap_custom', list(zip(color_bins, color_list)), N=256)

第三步：绘制符合规则的热力图 #

plt.figure(figsize=(10, 6))
# 绘制热力图，这里要指定vmin和vmax为咱们的颜色断点两端，确保颜色规则不跑偏
heatmap = sns.heatmap(df, cmap=custom_cmap, vmin=color_bins[0], vmax=color_bins[-1], annot=True, fmt='.2f')

# 可选：给颜色条加上咱们的固定断点标签，更直观
color_bar = heatmap.collections[0].colorbar
color_bar.set_ticks(color_bins)
color_bar.set_ticklabels(['数据最小值', '0.05', '0.12', '数据最大值/0.12'])

plt.title('符合自定义规则的热力图')
plt.show()

为什么这个方法能解决你的问题？ #

就拿你提到的测试场景来说：数据全局最大值0.10，最小值0.03。这时候color_bins会变成[0.03, 0.05, 0.12, 0.12]，颜色映射的上限被固定在0.12，但数据里没有超过0.12的数值，所以整个热力图只会显示暗红→红→黄的渐变，完全不会出现绿色，完美符合你的要求！

如果你用的是其他工具（比如Tableau、Power BI或者JavaScript的可视化库），核心逻辑也是一模一样的：找到自定义颜色梯度的设置项，手动输入0.05和0.12这两个固定阈值，把颜色分段绑定上去，不要用工具的自动极值缩放功能。

备注：内容来源于stack exchange，提问作者user26588045