可以通过调用值为matplotlib.cm的对象将标量值映射到colormap。 值必须介于0和1之间。 因此，为了得到多个卡方分布数据的RBGA值，我将chisq=NP.random.chi square (4，8 )转换为
chisq -=chisq.min (
chisq /=chisq.max (
error bar _ colors=cm.winter (chisq )
可以减去最小值，然后除以所需的最大值，而不是以最小值和最大值开始和结束级别。 在
errorbar_colors是winter颜色贴图的RGBA值的[ 8，4 ]数组。
^{pr2}$
要绘制此图，只需重复颜色和数据点，然后绘制错误栏。 heights=NP.random.randn(8) )。
sem=.4
for i，(height，color ) in enumerate (zip ) height，errorbar_colors ) ) :
PLT.plot([I，i]，[height - sem，height sem]，c=color，lw=3) ) )。
PLT.plot(heights，marker='o '，ms=12，color='.3 ' )
但是，没有内置完全适合此任务的matplotlib颜色映射。 为了进行一些改进，可以使用seaborn生成可用于为线条着色的连续调色板import numpy as np
导入服务器
import matplotlib.pyplot as plt
frommatplotlib.colorsimportlistedcolormap
chisq=NP.random.chi square (4，8 ) ) ) ) ) ) ) )。
chisq -=chisq.min (
chisq /=chisq.max (
cmap=列出的colormap (seaborn.color _ palette (' gnbu _ d ' ) )
错误bar _ colors=cmap (chisq )
heights=NP.random.randn(8) )。
sem=.4
for i，(height，color ) in enumerate (zip ) height，errorbar_colors ) ) :
PLT.plot([I，i]，[height - sem，height sem]，c=color，lw=3) ) )。
PLT.plot(heights，marker='o '，ms=12，color='.3 ' )
但是，在这里，我也怀疑这是否是表达你意见的最好方法。 我不知道你的数据是什么样的，但我建议你做两幅图。 一个是你在这里画的因变量，另一个是以卡方统计为因变量。 或者，如果对误差条的大小和卡方值的关系感兴趣，可以直接用散点图画。 在