Python Matplotlib：根据相对于另一个数据集的密度为散点图着色

我是Python新手，在matplotlib方面遇到了一些问题。目前，我有两个numpy数组中包含的数据，称为x和y，我在散点图上绘制，每个点（x，y）都有坐标（即我的图上有点x[0]，y[0]和x，y等等）。我一直在使用以下代码段，根据附近点的空间密度（在另一个stackoverflow帖子上发现）为散点图中的点上色：

输出：

我一直在使用它，但不确定它到底是如何工作的（即点密度计算-如果有人能解释它到底是如何工作的，我也将不胜感激）

但是，现在我想用x，y中点的空间密度与另一组numy数组中点的空间密度之比来进行颜色编码，称它们为x2，y2。也就是说，我想绘制一个图，这样我就可以确定x，y中的点的密度与同一散点图上x2，y2中的点的密度相比如何。有人能解释一下我该怎么做吗

---

提前感谢您的帮助

我一直在尝试根据之前的帖子做同样的事情，我想我已经明白了！诀窍是使用

matplotlib.colors.Normalize（）

定义刻度，然后根据某些数据集（xnorm，ynorm）对其进行加权：

我使用了反复试验的方法来优化我对特定数据的标准化，并选择了彩色地图。我的数据看起来是什么样的；我的数据缩放到一些比较数据（位于该图像底部）

---

我不确定这种方法是否完全通用，但它适用于我的情况：我知道我的数据和比较数据在参数空间的相似区域，它们都有高斯散射，因此，我可以使用由数据点的数量决定的简单线性缩放，它可以在视觉上给出正确的想法。

我一直在尝试根据之前的文章做同样的事情，我想我刚刚找到了答案！诀窍是使用

matplotlib.colors.Normalize（）

定义刻度，然后根据某些数据集（xnorm，ynorm）对其进行加权：

我使用了反复试验的方法来优化我对特定数据的标准化，并选择了彩色地图。我的数据看起来是什么样的；我的数据缩放到一些比较数据（位于该图像底部）

我不确定这种方法是否完全通用，但它在我的例子中是有效的：我知道我的数据和比较数据在参数空间的相似区域，它们都有高斯散射，所以我可以使用由数据点数量确定的简单线性标度，它可以在视觉上给出正确的想法

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

x = np.random.normal(size=1000)
y = x*3 + np.random.normal(size=1000)

xy = np.vstack([x,y])
z = gaussian_kde(xy)(xy)

idx = z.argsort()

fig,ax = plt.subplots()
ax.scatter(x,y,c=z,s=50,edgecolor='')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as mplc
import matplotlib.cm as cm
from scipy.stats import gaussian_kde

def kdeplot(x,y,xnorm,ynorm):
    xy = np.vstack([x,y])
    z = gaussian_kde(xy)(xy)

    wt = 1.0*len(x)/(len(xnorm)*1.0)
    norm = mplc.Normalize(vmin=0, vmax=8/wt)
    cmap = cm.gnuplot

    idx = z.argsort()
    x, y, z = x[idx], y[idx], z[idx]

    args = (x,y)
    kwargs = {'c':z,'s':10,'edgecolor':'','cmap':cmap,'norm':norm}

    return args, kwargs

# (x1,y1) is some data set whose density map coloring you 
# want to scale to (xnorm,ynorm)
args,kwargs = kdeplot(x1,y1,xnorm,ynorm)
plt.scatter(*args,**kwargs)