### 使用 Matplotlib 实现两张图表具有一致的颜色方案 为了确保两个图表之间颜色的一致性，可以定义一个自定义的颜色列表并将其应用于各个绘图命令。通过这种方式，可以在多个图表中重复使用相同的颜色配置。 #### 方法一：手动指定颜色 可以直接在 `plt.plot()` 函数调用时传递颜色参数来控制线条的颜色： ```python import numpy as np import matplotlib.pyplot as plt # 创建数据集1 x1 = np.linspace(0, 10, 100) y1 = np.sin(x1) # 创建数据集2 x2 = np.linspace(0, 10, 100) y2 = np.cos(x2) # 定义共享的颜色序列 colors = ['red', 'blue'] # 图表1 plt.figure() plt.plot(x1, y1, color=colors[0], label='sin(x)') plt.title('Sine Wave') plt.xlabel('x') plt.ylabel('sin(x)') plt.legend() # 图表2 plt.figure() plt.plot(x2, y2, color=colors[0], label='cos(x)') plt.title('Cosine Wave') plt.xlabel('x') plt.ylabel('cos(x)') plt.legend() plt.show() ``` 这种方法简单明了，适用于只需要少数几种固定颜色的情况[^2]。 #### 方法二：利用 colormap 来创建一致的颜色映射 对于更复杂的场景，建议采用 Colormap 方案。Colormap 可以为不同数值范围分配特定的颜色，并能自动处理离散或连续的数据分布情况: ```python from matplotlib.colors import Normalize from matplotlib.cm import ScalarMappable def create_color_mapping(data): norm = Normalize(vmin=min(data), vmax=max(data)) cmap = plt.get_cmap("viridis") # 或者其他你喜欢的colormap名称 sm = ScalarMappable(cmap=cmap, norm=norm) sm.set_array([]) return sm.to_rgba(data) fig, ax = plt.subplots(nrows=2) for i, data in enumerate([(np.random.rand(5)), (np.random.rand(7))]): rgba_colors = create_color_mapping(data) for j, point in enumerate(data): ax[i].scatter(j, point, c=[rgba_colors[j]]) ax[0].set_title('Chart with consistent colors using colormap') ax[1].set_title('Another chart sharing the same colormap') plt.tight_layout() plt.show() ``` 此方法不仅能够保证两幅或多幅图像间色彩一致性，而且还能更好地适应动态变化的数据集[^1].