我想修复多个散点图上的颜色范围，并在每个图中添加一个颜色条（在每个图中都是相同的）。本质上，我正在修复轴和色彩空间等的所有方面，以便这些图可以直接通过肉眼进行比较。
对于我的生活，我似乎无法弄清楚固定颜色范围的所有各种方法。我尝试过 vmin、vmax，但它似乎没有做任何事情，我也尝试过 clim(x,y)，但这似乎也不起作用。
这必须在这里和那里出现，我不能是唯一一个想要比较图之间的各种数据子集的人......那么，你如何修复颜色以便每个数据在图之间保持它的颜色而不是由于子集的最大/最小值的变化而重新映射到不同的颜色 -v- 整个集合？
设置 vmin 和 vmax 应该这样做。
这是一个例子：
import matplotlib.pyplot as plt
xyc = range(20)
plt.subplot(121)
plt.scatter(xyc[:13], xyc[:13], c=xyc[:13], s=35, vmin=0, vmax=20)
plt.colorbar()
plt.xlim(0, 20)
plt.ylim(0, 20)
plt.subplot(122)
plt.scatter(xyc[8:20], xyc[8:20], c=xyc[8:20], s=35, vmin=0, vmax=20)
plt.colorbar()
plt.xlim(0, 20)
plt.ylim(0, 20)
plt.show()
这产生的情节：
好的，这不是一个真正的答案，而是一个后续行动。我的编码结果改变了上面汤姆的代码。[不确定我是否要删除答案复选标记，因为上面的代码确实有效，并且是问题的答案！]
它似乎不适用于我的数据！下面是修改后的代码，可以与我的数据一起使用，以生成由于某种奇怪的原因对我不起作用的图。输入来自 h5py 函数（hdf5 数据文件导入）。
在下面，rf85 是用于大批量实验的阵列子集，其中应用于系统的射频功率大约为 85 瓦。我基本上是以各种方式对数据进行切片和切块，以尝试观察趋势。与当前输入的完整数据集相比，这是 85 瓦（有更多数据，但这是我现在拥有的）。
import numpy
import matplotlib.pyplot as plt
CurrentsArray = [array([ 0.83333333, 0.8 , 0.57142857, 0.83333333, 1.03333333,
0.25 , 0.81666667, 0.35714286, 0.26 , 0.57142857,
0.83333333, 0.47368421, 0.80645161, 0.47368421, 0.52631579,
0.36666667, 0.47368421, 0.57142857, 0.47368421, 0.47368421,
0.47368421, 0.47368421, 0.47368421, 0.61764706, 0.81081081,
0.41666667, 0.47368421, 0.47368421, 0.45 , 0.73333333,
0.8 , 0.8 , 0.8 , 0.47368421, 0.45 ,
0.47368421, 0.83333333, 0.47368421, 0.22222222, 0.32894737,
0.57142857, 0.83333333, 0.83333333, 1. , 1. ,
0.46666667])]
growthTarray = [array([ 705., 620., 705., 725., 712., 705., 680., 680., 620.,
660., 660., 740., 721., 730., 720., 720., 730., 705.,
690., 705., 680., 715., 705., 670., 705., 705., 650.,
725., 725., 650., 650., 650., 714., 740., 710., 717.,
737., 740., 660., 705., 725., 650., 710., 703., 700., 650.])]
CuSearray = [array([ 0.46395015, 0.30287259, 0.43496888, 0.46931773, 0.47685844,
0.44894925, 0.50727844, 0.45076198, 0.44977095, 0.41455029,
0.38089693, 0.98174953, 0.48600461, 0.65466528, 0.40563053,
0.22990327, 0.54372179, 0.43143358, 0.92515847, 0.73701742,
0.64152173, 0.52708783, 0.51794063, 0.49 , 0.48878252,
0.45119732, 0.2190089 , 0.43470776, 0.43509758, 0.52697697,
0.21576805, 0.32913721, 0.48828072, 0.62201997, 0.71442359,
0.55454867, 0.50981136, 0.48212956, 0.46 , 0.45732419,
0.43402525, 0.40290777, 0.38594786, 0.36777306, 0.36517926,
0.29880924])]
PFarray = [array([ 384., 285., 280., 274., 185., 185., 184., 184., 184.,
184., 184., 181., 110., 100., 100., 100., 85., 85.,
84., 84., 84., 84., 84., 84., 84., 84., 84.,
84., 84., 84., 84., 84., 27., 20., 5., 5.,
1., 0., 0., 0., 0., 0., 0., 0., 0., 0.])]
rf85growthTarray = [array([ 730., 705., 690., 705., 680., 715., 705., 670., 705.,
705., 650., 725., 725., 650., 650., 650.])]
rf85CuSearray = [array([ 0.54372179, 0.43143358, 0.92515847, 0.73701742, 0.64152173,
0.52708783, 0.51794063, 0.49 , 0.48878252, 0.45119732,
0.2190089 , 0.43470776, 0.43509758, 0.52697697, 0.21576805,
0.32913721])]
rf85PFarray = [array([ 85., 85., 84., 84., 84., 84., 84., 84., 84., 84., 84.,
84., 84., 84., 84., 84.])]
rf85CurrentsArray = [array([ 0.54372179, 0.43143358, 0.92515847, 0.73701742, 0.64152173,
0.52708783, 0.51794063, 0.49 , 0.48878252, 0.45119732,
0.2190089 , 0.43470776, 0.43509758, 0.52697697, 0.21576805,
0.32913721])]
Datavmax = max(max(CurrentsArray))
Datavmin = min(min(CurrentsArray))
plt.subplot(121)
plt.scatter(growthTarray, CuSearray, PFarray, CurrentsArray, vmin=Datavmin, vmax=Datavmax, alpha=0.75)
plt.colorbar()
plt.xlim(600,760)
plt.ylim(0,2.5)
plt.subplot(122)
plt.scatter(rf85growthTarray, rf85CuSearray, rf85PFarray, rf85CurrentsArray, vmin=Datavmin, vmax=Datavmax, alpha=0.75)
plt.colorbar()
plt.xlim(600,760)
plt.ylim(0,2.5)
plt.show()
最后，输出：
请注意，这不是我工作的完美输出，但我没有努力使其完美。然而重要的是：您将在绘图之间识别为相同的数据点不包含与基于上面使用的 vmin vmax 的情况相同的颜色（如 Tom 的代码所示）。
疯了吧。:( 我确实希望有人可以为我阐明这一点！我很肯定我的代码不是那么好，所以当涉及到我的代码时，请不要担心冒犯！
给任何能提出前进道路的人额外的一袋火辣奇多。-艾伦
更新 - Tom10 发现了问题- 我无意中为我的一个子阵列使用了错误的数据，导致这些值给出的颜色级别与预期不同（即，我的数据错误！）为此向 Tom 提供了很大的支持 - 我希望我可以再给他一个赞成票，但由于我提出这个问题的方法，我不能（对不起汤姆！）
另请参阅他在下面提到的数据位置绘制文本的精彩示例。
这是一个更新的图像，显示 Tom 的方法确实有效，并且绘图是我自己的代码中的一个问题：
