Python 改变seaborn'的每种类别的色条的颜色强度；猫图'；基于杆的y轴值

对于单个条形图或堆叠条形图，我可以使用

sns.color_调色板（“Blues”，len（df['x']）

（它有自己的问题，即等效条形图仍然有不同的颜色，但这是后面的问题）。看起来是这样的-

现在，我希望在catplot中也这样做。通过查看它看起来像

调色板

应该有帮助，所以我构建了我的调色板-

palette={'A': sns.color_palette("Blues", 51), 'B': sns.color_palette('Reds', 51), 'C': sns.color_palette('Greens', 51)}

其中，

A

，

B

，

C

是三种不同的类别，其中颜色强度应根据y轴上的值进行更改。为了快速解决问题，我硬编码了类别的长度。 但是，这不起作用，并且未生成调色板-
错误-

ValueError: Could not generate a palette for <map object at 0x7efc31a60358>

代码相同-

将熊猫作为pd导入
导入seaborn作为sns
将matplotlib.pyplot作为plt导入
数据帧（{'index'：['1/22/20'，'1/23/20'，'1/24/20'，'1/22/20'，'1/23/20'，'1/24/20'，'1/23/20'，'1/24/20']，'category'：['A'，'A'，'B'，'B'，'C'，'C']，'value'：[30,20,20,5,10,15,2,5,7]}）
p={'A'：sns.调色板（“蓝色”，3），'B'：sns.调色板（“红色”，3），'C'：sns.调色板（“绿色”，3）}
sns.catplot（x='index'，y='value'，hue='category'，data=df，kind='bar'，palete=p）
plt.show（）

使用Matplotlib的解决方案也不错

编辑-
我认为这归结为正确定义调色板。我想这就是你对它的定义-

p = {'A': sns.color_palette("Blues", 3), 'B': sns.color_palette('Reds', 3), 'C': sns.color_palette('Greens', 3)}

其中键是

类别中的唯一值

现有代码实际上又出现了一个错误，我没有提到-

ValueError: Invalid RGBA argument:......

我试着定义我的调色板如下，但我得到了与上面相同的错误-

n1 = plt.Normalize(a["A"].values.min(), a["A"].values.max())
n2 = plt.Normalize(b["B"].values.min(), b["B"].values.max())
n3 = plt.Normalize(c["C"].values.min(), c["C"].values.max())

c1 = plt.cm.Blues(n1(a["A"]))
c2 = plt.cm.Reds(n2(b["B"]))
c3 = plt.cm.Greens(n3(c["C"]))

p = {"A": c1, "B" : c2, "C": c3}

其中

a

、

b

和

c

是包含单个类别及其值的数据帧

---

我在这里遗漏了什么？

我不理解使用字符串映射到多个调色板的方法，以及为什么每个调色板都有51种颜色。您是否尝试使用像

{“A”：“blue”、“B”：“red”、“C”：“green”}

这样的单一映射？@ImportanceOfBeingErnest 51引用了我正在使用的原始数据集。为了演示，我应该把它保存3个。对此我很抱歉。此外，我认为seaborn根据类别识别色调，而不管它是字符串还是整数，这也许就是我这样使用它的原因。我并不担心调色板是如何生成的。主要的问题是数据帧非常灵活，如果需要，可以配置为简化调色板的形成。最终，我需要根据每个类别的值在条形图中看到阴影。

n1 = plt.Normalize(a["A"].values.min(), a["A"].values.max())
n2 = plt.Normalize(b["B"].values.min(), b["B"].values.max())
n3 = plt.Normalize(c["C"].values.min(), c["C"].values.max())

c1 = plt.cm.Blues(n1(a["A"]))
c2 = plt.cm.Reds(n2(b["B"]))
c3 = plt.cm.Greens(n3(c["C"]))

p = {"A": c1, "B" : c2, "C": c3}