matplotlib已经负责用不同的颜色为相邻的集群着色。但是，我相信它为每个集群使用了独特的颜色。如果是这样的话，400 种颜色就太多了。

可能有更好的方法，但在最坏的情况下，试试这个：

我们想用最少的颜色着色。因此，问题变成了图着色问题，我们不希望两个连接的相邻节点具有相同的颜色。找到最小颜色数量是一个 np-hard 问题，但我们可以使用近似算法。

一种方法可能是将您的集群质心定义为图形节点并存储它们的连接，然后使用图形着色算法。

第 1 步：将您的集群存储为邻接矩阵，并将该矩阵转换为图形，其中每个质心代表一个集群，邻接矩阵包含每个质心与其他质心之间的连通性（邻域）。 解释 代码

第 2 步：使用着色算法为图的节点着色。

这篇文章包含一个着色算法，它获取图形并返回它的着色。

第 3 步：拥有每个质心的颜色，您可以用最少的颜色数为整个集群着色。

我发现获取每个集群的质心，运行 k-nearest-neighbors，然后应用https://en.wikipedia.org/wiki/Greedy_coloring效果很好。只需不断增加 K 直到集群脱颖而出。

编辑：按照@Fatemeh Asgarinejad 的建议，使用从集群质心到其他集群成员的最小距离作为计算 KNN Now 的距离。当簇重叠或具有不规则形状时，这速度较慢，但​​似乎提供了更强大的着色。

我的python代码：

# data is a pandas data frame of data points with cluster labels

from sklearn.neighbors import NearestNeighbors

def assign_cluster_colors(data, clusters, n_colors=10, n_neighbors = 8):
    
    
    centroids = data.groupby('cluster').agg({'x':np.mean,'y':np.mean})

    color_ids = np.arange(n_colors)

    distances = np.empty(shape=(centroids.shape[0],centroids.shape[0]))

    groups = tsne_data.groupby('cluster')
    for centroid in centroids.itertuples():
        c_dists = groups.apply(lambda r: min(np.sqrt(np.square(centroid.x - r.x) + np.square(centroid.y-r.y))))
        distances[:,centroid.Index] = c_dists

    nbrs = NearestNeighbors(n_neighbors=n_neighbors,metric='precomputed').fit(distances) 
    distances, indices = nbrs.kneighbors()

    color_assignments = np.repeat(-1,len(centroids))

    for i in range(len(centroids)):
        knn = indices[i]
        knn_colors = color_assignments[knn]
        available_colors = color_ids[list(set(color_ids) - set(knn_colors))]

        if(len(available_colors) > 0):
            color_assignments[i] = available_colors[0]
        else:
            raise Exception("Can't color this many neighbors with this many colors")


    centroids = centroids.reset_index()
    colors = centroids.loc[:,['cluster']]
    colors['color'] = color_assignments

    data = data.merge(colors,on='cluster')
    return(data)