Matplotlib 3D散点图中指定每个点的颜色

介绍

Matplotlib 是一个用于绘制数据可视化图形的 Python 库。它提供了多种绘图函数，并且支持生成多种类型的图表，比如柱状图、折线图、散点图等。在 Matplotlib 中，我们可以使用 plot 函数来绘制 2D 图表，使用 scatter 函数来绘制散点图，还可以使用 plot3D 和 scatter3D 函数来绘制 3D 图表和 3D 散点图。

在 3D 散点图中，我们常常需要根据数据点的某些特征来指定它们的颜色，比如根据数据点对应的类别、数量、属性或者其他自定义标识等。本文将介绍在 Matplotlib 中如何指定每个数据点的颜色，并提供示例代码。

方式1：使用 `c` 参数指定颜色

在 Matplotlib 中，我们可以使用 c 参数来指定数据点的颜色。c 参数可以接受各种类型的输入值，包括单个字符串、单个数字、数字列表或者字符串列表等等。下面的代码示例中，我们使用 numpy 库生成了五组随机的数据点，并为每组数据点分别指定了不同的颜色值。

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

x = np.random.standard_normal(50)
y = np.random.standard_normal(50)
z = np.random.standard_normal(50)

ax.scatter(x, y, z, c=['r', 'g', 'b', 'k', 'c'])

plt.show()

上述代码中，我们首先创建了一个 figure 对象，然后创建了一个 3D 坐标系，接着生成了五组随机的数据点，并使用 scatter 函数将它们绘制到 3D 坐标系中。要指定每个数据点的颜色，我们只需要将每个数据点对应的颜色值指定到 c 参数中即可。在这个例子中，我们为五组数据点分别指定了 ‘r’、’g’、’b’、’k’、’c’ 这五个颜色值。

方式2：使用 colormap 按数值分配颜色

除了使用单个颜色值指定数据点的颜色外，我们也可以使用 colormap 来根据数据点的数值分配颜色值。在 Matplotlib 中，colormap 是一组预定义的颜色映射，可以根据数据点的数值大小将数据点分配到不同的颜色区域中。Matplotlib 中内置了多个常用的 colormaps，包括 ‘viridis’、’plasma’、’inferno’、’magma’、’cividis’ 等等。

下面的代码示例中，我们使用 np.random.rand 函数生成了三个随机的数组，并使用 scatter 函数将它们绘制到 3D 坐标系中。指定颜色映射时，我们可以将一个数值列表指定到 c 参数中，并使用 colormap 函数来将数值映射到对应的颜色区域中。

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

x = np.random.rand(50)
y = np.random.rand(50)
z = np.random.rand(50)

ax.scatter(x, y, z, c=x, cmap='viridis')

plt.show()

上述代码中，我们为 x、y、z 三个数组分别生成了 50 个随机数，并使用 scatter 函数将它们绘制到 3D 坐标系中。在指定颜色映射时，我们将 x 数组指定到 c 参数中，并将 viridis 作为 colormap 值传递给 cmap 参数。这样，Matplotlib 就会根据每个数据点的 x 值大小将数据点分配到 viridis colormap 的相应颜色区域中。

除了 'viridis'，我们还可以使用 Matplotlib 中的其他 colormap，如 'plasma'、'inferno'、'magma'、'cividis' 等等。这些 colormap 有不同的颜色区域和颜色分布方式，可以根据数据的特点进行选择和调整。

方式3：使用 `Norm` 类进行归一化

当数据点数值范围比较大或者差异比较大时，我们需要进行归一化操作，以便更好地展示数据点的颜色分布。在 Matplotlib 中，我们可以使用 Norm 类进行归一化，它提供了多种归一化方式，如线性归一化、对数归一化、指数归一化、二项分布归一化等等。

下面的代码示例中，我们使用 np.random.randn 函数生成了两个数组，并使用 scatter 函数将它们绘制到 3D 坐标系中。为了使数据更加清晰，我们对 y 数据进行了指数归一化处理，并将归一化之后的数值指定到 c 参数中。这里我们使用了 Matplotlib 中自带的 ‘plasma’ colormap。

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

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

x = np.linspace(0, 10, 50)
y = np.random.randn(50) * 100

norm = Normalize(vmin=y.min(), vmax=y.max())
colors = plt.cm.get_cmap('plasma')(norm(np.exp(y)))

ax.scatter(x, y, np.random.randn(50), c=colors)

plt.show()

上述代码中，我们为 x 数组生成了 50 个等间距的数值，并为 y 数组生成了 50 个随机数，并将这些数据点绘制到 3D 坐标系中。为了对 y 数据进行指数归一化处理，我们首先使用 exp 函数对 y 数组中的数据进行指数转换，然后将转换后的数据使用 Normalize 类进行归一化，生成了一个归一化的实例 norm。

在得到归一化实例后，我们使用 cm.get_cmap 函数获取 colormap 对象，并将归一化处理后的 y 数据指定到 colors 参数中。这样，Matplotlib 就会根据归一化后的 y 值大小将数据点分配到 plasma colormap 的相应颜色区域中。