您可以使用下面的代码来实现这一点，您问题中的代码实际上非常接近您所需要的，您所要做的就是调用您所拥有的cmap对象。

import matplotlib

cmap = matplotlib.cm.get_cmap('Spectral')

rgba = cmap(0.5)
print(rgba) # (0.99807766255210428, 0.99923106502084169, 0.74602077638401709, 1.0)

对于超出范围[0.0,1.0]的值，它将分别返回底色和底色。默认情况下，这是范围内的最小和最大颜色(0.0和1.0)。这个默认值可以通过cmap.set_under()和cmap.set_over()来改变。

对于“特殊”数字，如np。Nan和np。Inf默认是使用0.0值，这可以使用cmap.set_bad()进行更改，类似于上面的under和over。

最后，您可能需要对数据进行规范化，使其符合范围[0.0,1.0]。这可以使用matplotlib.colors.Normalize简单地完成，如下图所示，其中参数vmin和vmax分别描述了应该映射到0.0和1.0的数字。

import matplotlib

norm = matplotlib.colors.Normalize(vmin=10.0, vmax=20.0)

print(norm(15.0)) # 0.5

对数归一化器(matplotlib.colors.LogNorm)也可用于具有较大值范围的数据范围。

(感谢乔·金顿和tcaswell对如何改进答案的建议。)

为了得到rgba的整数值而不是浮点值，我们可以做

rgba = cmap(0.5,bytes=True)

所以为了根据Ffisegydd的答案来简化代码，代码应该是这样的:

#import colormap
from matplotlib import cm

#normalize item number values to colormap
norm = matplotlib.colors.Normalize(vmin=0, vmax=1000)

#colormap possible values = viridis, jet, spectral
rgba_color = cm.jet(norm(400),bytes=True) 

#400 is one of value between 0 and 1000

在Ffisegydd和amaliammr的解决方案的基础上，这里有一个例子，我们为一个自定义的颜色映射创建CSV表示:

#! /usr/bin/env python3
import matplotlib
import numpy as np 

vmin = 0.1
vmax = 1000

norm = matplotlib.colors.Normalize(np.log10(vmin), np.log10(vmax))
lognum = norm(np.log10([.5, 2., 10, 40, 150,1000]))

cdict = {
    'red':
    (
        (0., 0, 0),
        (lognum[0], 0, 0),
        (lognum[1], 0, 0),
        (lognum[2], 1, 1),
        (lognum[3], 0.8, 0.8),
        (lognum[4], .7, .7),
    (lognum[5], .7, .7)
    ),
    'green':
    (
        (0., .6, .6),
        (lognum[0], 0.8, 0.8),
        (lognum[1], 1, 1),
        (lognum[2], 1, 1),
        (lognum[3], 0, 0),
        (lognum[4], 0, 0),
    (lognum[5], 0, 0)
    ),
    'blue':
    (
        (0., 0, 0),
        (lognum[0], 0, 0),
        (lognum[1], 0, 0),
        (lognum[2], 0, 0),
        (lognum[3], 0, 0),
        (lognum[4], 0, 0),
    (lognum[5], 1, 1)
    )
}


mycmap = matplotlib.colors.LinearSegmentedColormap('my_colormap', cdict, 256)   
norm = matplotlib.colors.LogNorm(vmin, vmax)
colors = {}
count = 0
step_size = 0.001
for value in np.arange(vmin, vmax+step_size, step_size):
    count += 1
    print("%d/%d %f%%" % (count, vmax*(1./step_size), 100.*count/(vmax*(1./step_size))))
    rgba = mycmap(norm(value), bytes=True)
    color = (rgba[0], rgba[1], rgba[2])
    if color not in colors.values():
        colors[value] = color

print ("value, red, green, blue")
for value in sorted(colors.keys()):
    rgb = colors[value]
    print("%s, %s, %s, %s" % (value, rgb[0], rgb[1], rgb[2]))

我正好遇到了这个问题，但我需要连续的图具有强烈的对比色。我还制作了包含参考数据的公共子图，所以我希望颜色序列是一致可重复的。

我最初尝试简单地随机生成颜色，在每个情节之前重新播种RNG。这是可行的(在下面的代码中注释)，但可能产生几乎无法区分的颜色。我想要强烈对比的颜色，理想的是从包含所有颜色的色图中取样。

在一个图中我可以有多达31个数据序列，所以我把颜色图分成了这么多步骤。然后，我按照一定的顺序走着台阶，以确保我不会很快回到某个特定颜色的社区。

我的数据是一个高度不规则的时间序列，所以我想看到点和线，点有“相反”的颜色的线。

考虑到以上所有内容，最简单的方法是生成一个包含绘制单个系列的相关参数的字典，然后将其展开作为调用的一部分。

这是我的代码。也许不漂亮，但很实用。

from matplotlib import cm
cmap = cm.get_cmap('gist_rainbow')  #('hsv') #('nipy_spectral')

max_colors = 31   # Constant, max mumber of series in any plot.  Ideally prime.
color_number = 0  # Variable, incremented for each series.

def restart_colors():
    global color_number
    color_number = 0
    #np.random.seed(1)

def next_color():
    global color_number
    color_number += 1
    #color = tuple(np.random.uniform(0.0, 0.5, 3))
    color = cmap( ((5 * color_number) % max_colors) / max_colors )
    return color

def plot_args():  # Invoked for each plot in a series as: '**(plot_args())'
    mkr = next_color()
    clr = (1 - mkr[0], 1 - mkr[1], 1 - mkr[2], mkr[3])  # Give line inverse of marker color
    return {
        "marker": "o",
        "color": clr,
        "mfc": mkr,
        "mec": mkr,
        "markersize": 0.5,
        "linewidth": 1,
    }

我的上下文是JupyterLab和Pandas，所以这里是示例plot代码:

restart_colors()  # Repeatable color sequence for every plot

fig, axs = plt.subplots(figsize=(15, 8))
plt.title("%s + T-meter"%name)

# Plot reference temperatures:
axs.set_ylabel("°C", rotation=0)
for s in ["T1", "T2", "T3", "T4"]:
    df_tmeter.plot(ax=axs, x="Timestamp", y=s, label="T-meter:%s" % s, **(plot_args()))

# Other series gets their own axis labels
ax2 = axs.twinx()
ax2.set_ylabel(units)

for c in df_uptime_sensors:
    df_uptime[df_uptime["UUID"] == c].plot(
        ax=ax2, x="Timestamp", y=units, label="%s - %s" % (units, c), **(plot_args())
    )

fig.tight_layout()
plt.show()

由此产生的图形可能不是最好的例子，但当以交互方式放大时，它变得更加相关。

我曾经遇到过类似的情况，我需要“n”不。这样我就可以将每种颜色分配给我的数据。 我已经在一个名为“mycolorpy”的包中编译了一个代码。 你可以使用pip安装它:

pip install mycolorpy

你可以这样做:

from mycolorpy import colorlist as mcp
import numpy as np

示例:从cmap "winter"中创建5个十六进制字符串的列表

color1=mcp.gen_color(cmap="winter",n=5)
print(color1)

输出:

['#0000ff', '#0040df', '#0080bf', '#00c09f', '#00ff80']

另一个从cmap bwr生成16种颜色列表的例子:

color2=mcp.gen_color(cmap="bwr",n=16)
print(color2)

输出:

['#0000ff', '#2222ff', '#4444ff', '#6666ff', '#8888ff', '#aaaaff', '#ccccff', '#eeeeff', '#ffeeee', '#ffcccc', '#ffaaaa', '#ff8888', '#ff6666', '#ff4444', '#ff2222', '#ff0000']

有一个python笔记本，其中有使用示例，可以更好地可视化这一点。

假设您想要从规范化为给定数据的cmap中生成一个颜色列表。你可以使用:

a=random.randint(1000, size=(200))
a=np.array(a)
color1=mcp.gen_color_normalized(cmap="seismic",data_arr=a)
plt.scatter(a,a,c=color1)

输出:

你也可以反转颜色使用:

color1=mcp.gen_color_normalized(cmap="seismic",data_arr=a,reverse=True)
plt.scatter(a,a,c=color1)

输出:

颜色地图有自己的标准化方法，所以如果你已经有了一个图，你可以在某个值访问颜色。

import matplotlib.pyplot as plt
import numpy as np

cmap = plt.cm.viridis

cm = plt.pcolormesh(np.random.randn(10, 10), cmap=cmap)

print(cmap(cm.norm(2.2)))

对于一个快速和肮脏的你可以直接使用地图。 或者你可以按照@amaliammr说的去做。

data_size = 23   # range 0..23
colors = plt.cm.turbo
color_normal = colours.N/data_size

for i in range(data_size):
    col = colours.colors[int(i*color_normal)]