Si vous pouvez utiliser la couleur de votre choix, vous pouvez utiliser le fait que les couleurs sont (presque) continues. Colorez les points en fonction de leurs coordonnées x, y, de sorte que vous obtiendrez comme effet secondaire que points rapprochés auront un un peu similaire couleur.
Vous pouvez utiliser quelque chose comme
point.color(R,G,B) = (point.normalized_x, 0.5, 1-point.normalized.y)
où normalized_x est (x-min_x/(max_x-min_x)), de sorte qu'il donnerait 0 pour le point avec une valeur minimale de x et 1 pour le point avec maximal x valeur.
Si vous avez vraiment besoin d'utiliser un petit nombre de couleurs et ont point proche ont exactement la même couleur , alors vous devrez faire quelques clustering vos données (K-means étant simple et largement utilisé algorithme). Après le clustering, vous attribuez simplement une couleur à chaque point en fonction de l'identifiant de son cluster. Python a quelques bonnes implémentations, y compris scipy's clustering.
Je suis un peu confus. Avez-vous des bouquets de points? "Proximité" et "farness" ne sont pas discrets. Les choses qui sont proches deviennent progressivement loin. –
Au moins une question intéressante pas de la série "Comment l'utiliser avec l'outil X". –
Vous avez raison, Noufal. Je pense qu'il est un peu difficile de dire exactement, mais si les points étaient également répartis à l'intérieur d'un cercle, il serait logique de le diviser simplement en tranches de pizza et de donner à chaque tranche une couleur différente. – ooboo