
在Python中,matplotlib是一个广泛使用的绘图库。它可以用于创建各种类型的图表,包括折线图、散点图、条形图等等。当我们需要将多个数据系列绘制在同一张图中时,往往需要给每个系列指定不同的颜色。下面我将介绍如何在matplotlib中为不同系列指定颜色。
在matplotlib中,我们可以使用颜色编码来指定线条或点的颜色。常用的颜色编码有以下几种:
我们可以通过在绘图函数中传入颜色编码的参数来指定线条或点的颜色。例如,下面的代码会将三个数据系列分别绘制成蓝色、绿色和红色的线条:
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y1 = [1, 2, 3, 4, 5]
y2 = [1, 4, 9, 16, 25]
y3 = [5, 4, 3, 2, 1]
plt.plot(x, y1, 'b')
plt.plot(x, y2, 'g')
plt.plot(x, y3, 'r')
plt.show()
上面的代码中,我们通过在plot()函数中传入'b'、'g'和'r'参数来指定了每个数据系列的颜色。
除了使用颜色编码外,我们还可以使用十六进制颜色码来指定颜色。使用这种方法,我们可以得到更加精细的颜色控制,因为我们可以指定任何RGB颜色的组合。
要使用十六进制颜色码,我们需要在plot()函数中传递一个color参数,并将其设置为一个字符串,该字符串以'#'开头,后面跟着六个十六进制数字(每两个代表一个RGB颜色通道)。例如,下面的代码会将三个数据系列分别绘制成蓝色、浅绿色和深红色的线条:
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y1 = [1, 2, 3, 4, 5]
y2 = [1, 4, 9, 16, 25]
y3 = [5, 4, 3, 2, 1]
plt.plot(x, y1, color='#0000ff')
plt.plot(x, y2, color='#00ff80')
plt.plot(x, y3, color='#800000')
plt.show()
上面的代码中,我们分别使用了'#0000ff'、'#00ff80'和'#800000'作为颜色参数,以分别为三个数据系列指定颜色。
如果我们需要为多个数据系列选择一组相关的颜色,我们可以使用Colormap。Colormap是matplotlib中的一个类,它将连续的数值映射到一组颜色中,并且支持多个预定义的颜色方案。
使用Colormap,我们可以为每个数据系列指定一个数值,然后使用Colormap将这些数值映射到一组颜色中。例如,下面的代码将使用Colormap为三个数据系列指定颜色:
import matplotlib.pyplot as plt import numpy as np
x = [1, 2, 3, 4, 5]
y1 = [1,
2, 3, 4, 5] y2 = [1, 4, 9, 16, 25] y3 = [5, 4, 3, 2, 1]
colors = np.linspace(0, 1, len([y1, y2, y3]))
cm = plt.cm.Spectral
plt.plot(x, y1, color=cm(colors[0])) plt.plot(x, y2, color=cm(colors[1])) plt.plot(x, y3, color=cm(colors[2]))
sm = plt.cm.ScalarMappable(cmap=cm, norm=plt.Normalize(vmin=0, vmax=len([y1, y2, y3])-1)) sm._A = [] plt.colorbar(sm)
plt.show()
上面的代码中,我们首先使用`np.linspace()`函数创建了一个序列,该序列的长度等于数据系列的数量。然后,我们使用`plt.cm.Spectral`颜色方案创建了一个Colormap对象,并将该对象存储在变量`cm`中。接下来,我们分别为每个数据系列指定了一个颜色,其中颜色是通过将对应位置的序列值映射到Colormap中得到的。最后,我们使用`plt.colorbar()`函数在图例中显示了颜色条。 ## 总结 在matplotlib中为不同数据系列指定颜色可以通过多种方式实现。我们可以使用颜色编码、十六进制颜色码或Colormap来指定颜色。使用Colormap时,我们可以为每个数据系列指定一个数值,并使用Colormap将这些数值映射到一组颜色中。无论选择哪种方法,都要确保为每个数据系列指定一个明显的颜色,以便轻松区分它们。
你是否渴望进一步提升数据可视化的能力,让数据展示更加专业、高效呢?现在,有一门绝佳的课程能满足你的需求 ——Python 数据可视化 18 讲(PyEcharts、Matplotlib、Seaborn)。
学习入口:https://edu.cda.cn/goods/show/3842?targetId=6751&preview=0
这门课程完全免费,且学习有效期长期有效。由 CDA 数据分析研究院的张彦存老师精心打造,他拥有丰富的实战经验,能将复杂知识通俗易懂地传授给你。课程深入讲解 matplotlib、seaborn、pyecharts 三大主流 Python 可视化工具,带你从基础绘图到高级定制,还涵盖多元图表类型和各类展示场景。无论是数据分析新手想要入门,还是有基础的从业者希望提升技能,亦或是对数据可视化感兴趣的爱好者,都能从这门课程中收获满满。点击课程链接,开启你的数据可视化进阶之旅,让数据可视化成为你职场晋升和探索数据世界的有力武器!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28PCU:游戏运营的 “实时晴雨表”—— 从数据监控到运营决策的落地指南 在游戏行业,DAU(日活跃用户)、MAU(月活跃用户)是衡量 ...
2025-08-28Excel 聚类分析:零代码实现数据分群,赋能中小团队业务决策 在数字化转型中,“数据分群” 是企业理解用户、优化运营的核心手段 ...
2025-08-28CDA 数据分析师:数字化时代数据思维的践行者与价值推动者 当数字经济成为全球经济增长的核心引擎,数据已从 “辅助性信息” 跃 ...
2025-08-28ALTER TABLE ADD 多个 INDEX:数据库批量索引优化的高效实践 在数据库运维与性能优化中,索引是提升查询效率的核心手段。当业务 ...
2025-08-27Power BI 去重函数:数据清洗与精准分析的核心工具 在企业数据分析流程中,数据质量直接决定分析结果的可靠性。Power BI 作为主 ...
2025-08-27CDA 数据分析师:数据探索与统计分析的实践与价值 在数字化浪潮席卷各行业的当下,数据已成为企业核心资产,而 CDA(Certif ...
2025-08-27t 检验与 Wilcoxon 检验:数据差异比较的两大统计利器 在数据分析中,“比较差异” 是核心需求之一 —— 如新药疗效是否优于旧药 ...
2025-08-26季节性分解外推法:解锁时间序列预测的规律密码 在商业决策、资源调度、政策制定等领域,准确的预测是规避风险、提升效率的关键 ...
2025-08-26CDA 数据分析师:数据治理驱动下的企业数据价值守护者 在数字经济时代,数据已成为企业核心战略资产,其价值的释放离不开高 ...
2025-08-26