python 图例颜色_使用matplotlib创建超过20种唯一的图例颜色

本文介绍了如何在Python中利用matplotlib库为超过20种图形分配不同的颜色。通过颜色映射和颜色循环,可以实现对每个线条的唯一颜色设定。示例代码展示了两种方法,一种是直接使用颜色映射,另一种是通过ScalarMappable对象进行颜色转换。最终,这两种方法都能生成包含20种不同颜色的图表。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

你问题的答案与另外两个SO问题有关。

但是,您需要得到正确的颜色列表,这是使用颜色映射最容易完成的,正如对这个问题的回答中所解释的那样:Create a color generator from given colormap in matplotlib。在这里,颜色映射接受从0到1的值并返回颜色。

所以对于你的20行,你需要以1/20的步骤从0循环到1。具体来说,您希望将表单0循环到19/20,因为1映射回0。

此操作在本例中完成:import matplotlib.pyplot as plt

import numpy as np

NUM_COLORS = 20

cm = plt.get_cmap('gist_rainbow')

fig = plt.figure()

ax = fig.add_subplot(111)

ax.set_color_cycle([cm(1.*i/NUM_COLORS) for i in range(NUM_COLORS)])

for i in range(NUM_COLORS):

ax.plot(np.arange(10)*(i+1))

fig.savefig('moreColors.png')

plt.show()

这是结果图:

3d0b64130abc0959bb0f9a6c71ebdc83.png

其他更好(值得商榷)的解决方案

还有一种替代方法是使用ScalarMappable对象将一系列值转换为颜色。这种方法的优点是可以使用非线性Normalization将线条索引转换为实际颜色。以下代码生成相同的结果:import matplotlib.pyplot as plt

import matplotlib.cm as mplcm

import matplotlib.colors as colors

import numpy as np

NUM_COLORS = 20

cm = plt.get_cmap('gist_rainbow')

cNorm = colors.Normalize(vmin=0, vmax=NUM_COLORS-1)

scalarMap = mplcm.ScalarMappable(norm=cNorm, cmap=cm)

fig = plt.figure()

ax = fig.add_subplot(111)

# old way:

#ax.set_color_cycle([cm(1.*i/NUM_COLORS) for i in range(NUM_COLORS)])

# new way:

ax.set_color_cycle([scalarMap.to_rgba(i) for i in range(NUM_COLORS)])

for i in range(NUM_COLORS):

ax.plot(np.arange(10)*(i+1))

fig.savefig('moreColors.png')

plt.show()

折旧注释

在较新版本的mplib(1.5+)中,set_color_cycle函数已被弃用,取而代之的是ax.set_prop_cycle(color=[...])。

### Anaconda 安装教程 #### 一、安装 Anaconda 并配置环境变量 为了确保 Anaconda 正常工作,在安装过程中需要注意勾选添加路径选项,这一步骤对于后续命令行工具的正常使用至关重要[^3]。 ```bash # 如果在安装时未选择添加路径,则可以通过手动设置环境变量来解决 export PATH="/path/to/anaconda/bin:$PATH" ``` #### 二、验证安装是否成功 完成安装后,可通过启动 Anaconda Navigator 或者在命令提示符中运行 `conda --version` 来确认安装情况。如果显示 Conda 的版本号则表示安装无误。 ```bash conda --version ``` ### 使用清华大学镜像加速软件包下载 #### 三、配置 Conda 使用清华大学镜像源 由于官方仓库可能速度较慢,建议修改默认的 Conda 源为清华大学开源软件镜像站提供的国内镜像地址,从而提高依赖项获取效率[^1]。 ```bash # 添加清华镜像作为优先级最高的渠道 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ # 显示完整的 URL 地址以便于调试 conda config --set show_channel_urls yes ``` #### 四、创建并激活 TensorFlow 所需虚拟环境 考虑到不同 Python 版本之间的兼容性差异,推荐专门为 TensorFlow 创建独立的工作空间,并指定合适的 Python 解释器版本[^2]。 ```bash # 基于特定Python版本建立新的Conda环境 conda create -n tensorflow python=3.6 anaconda # 切换至刚创建好的环境中去 conda activate tensorflow ``` #### 五、利用 Pip 和 Conda 结合方式高效部署 TensorFlow 及其他库 除了通过 Conda 管理基础设施外,还可以借助 PyPI 上丰富的第三方扩展资源进一步完善开发平台建设;同样地,这里也提倡采用本地化存储节点以加快网络传输速率[^4]。 ```bash # 运用Pip配合清华简易索引服务器快速加载目标模块 pip install tensorflow-gpu==2.x.y -i https://pypi.tuna.tsinghua.edu.cn/simple ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值