基本上有两个选项，关于如何着色散点。

1.外部Map

您可以在外部将值Map到颜色，并将这些颜色的列表/数组提供给scatter的c参数。

z = np.array([1,0,1,0,1])
colors = np.array(["black", "green"])
plt.scatter(x,y, c=colors[z])

2.内部Map

除了显式颜色之外，还可以提供值的列表/数组，这些值应该根据归一化和颜色Map表Map到颜色。

• colormap是一个可调用对象，它接受0.和1.之间的浮点值作为输入，并返回RGB颜色。
• 规范化是一个可调用对象，它接受任何数字作为输入，并根据一些先前设置的限制输出另一个数字。Normalize的通常情况将提供vmin和vmax之间的值到0.和1.之间的范围的线性Map。

从一些数据获得颜色的自然方式因此是将两者链接，

cmap = plt.cm.Spectral
norm = plt.Normalize(vmin=4, vmax=5)
z = np.array([4,4,5,4,5])
plt.scatter(x,y, c = cmap(norm(z)))

这里，4的值将通过归一化Map到0，并且5的值将Map到1，使得色图提供两个最外面的颜色。
如果向c提供了一个数值数组，则此过程在scatter内部发生。
scatter创建PathCollection，它子类ScalarMappable。ScalarMappable由一个色彩Map表、一个归一化和一个值数组组成。因此，上述内容通过以下方式内化：

plt.scatter(x,y, c=z, norm=norm, cmap=cmap)

如果最小值和最大值数据被用作标准化的限制，则可以省略该参数。

plt.scatter(x,y, c=z, cmap=cmap)

这就是问题中的输出总是紫色和黄色点的原因，与c提供的值无关。
回到将0和1数组Map到黑色和绿色的要求，现在可以查看colormaps provided by matplotlib并寻找一个包含黑色和绿色的颜色Map。例如nipy_spectral颜色Map

这里黑色位于颜色图的开头，绿色位于中间的某个地方，比如0.5。因此，需要将vmin设置为0，并且将vmax设置为0，使得vmax*0.5 = 1（其中1是要Map到绿色的值），即vmax = 1./0.5 == 2.

import matplotlib.pyplot as plt
import numpy as np
x,y = np.random.rand(2,6)
z = np.array([0,0,1,1,0,1])

plt.scatter(x,y, c = z, 
            norm = plt.Normalize(vmin=0, vmax=2),
            cmap = "nipy_spectral")

plt.show()

由于可能不总是存在具有可用的期望颜色的颜色图，并且由于从现有颜色图获得颜色位置可能不是直接的，所以替代方案是创建专门用于期望目的的新颜色图。
这里我们可以简单地创建一个黑色和绿色两种颜色的颜色Map。

matplotlib.colors.ListedColormap(["black", "green"])

这里我们不需要任何归一化，因为我们只有两个值，因此可以依赖于自动归一化。

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
x,y = np.random.rand(2,6)
z = np.array([0,0,1,1,0,1])

plt.scatter(x,y, c = z, cmap = mcolors.ListedColormap(["black", "green"]))

plt.show()

首先，要根据y中的值设置颜色，可以这样做：

color = ['red' if i==0  else 'green' for i in y]
plt.scatter(X[:,0], X[:,1], c=color)

scatter()和cmap。
ColorMaps用于提供来自浮点值的颜色。参见this documentation for reference on colormaps。

对于0到1之间的值，将从这些颜色Map表中选择一种颜色。
例如：

plt.cm.Spectral(0.0)
# (0.6196078431372549, 0.00392156862745098, 0.25882352941176473, 1.0) #<== magenta

plt.cm.Spectral(1.0)
# (0.3686274509803922, 0.30980392156862746, 0.6352941176470588, 1.0) #<== blue

plt.cm.Spectral(1)
# (0.6280661284121491, 0.013302575932333718, 0.26082276047673975, 1.0)

请注意，在上面的代码中，1.0和1的结果是不同的，因为int和floats的处理方式不同，如__call__()文档中所述：
对于浮点数，X应该在[0.0, 1.0]区间内，以返回沿着Colormap线的RGBA值X*100百分比。
对于整数，X应在[0, Colormap.N)区间内，以从索引为X的色彩Map表返回RGBA值 indexed。
请看这个答案，以获得关于色彩Map表的更好的解释：

• https://stackoverflow.com/a/25408562/3374996

在y中，您有0和1，因此使用上面代码中显示的RGBA值（表示“光谱”色图的两端）。
下面是plt.scatter()中的c和cmap参数如何相互作用。

_______________________________________________________________________
|No | type of x, y |  c type  | values in c |       result              |
|___|______________|__________|_____________|___________________________|
|1  |   single     |  scalar  |   numbers   | cmap(0.0), no matter      |
|   |    point     |          |             |  what the value in c      |
|___|______________|__________|_____________|___________________________|
|2  |   array of   |  array   |   numbers   | normalize the values in c,|                
|   |    points    |          |             | cmap(normalized val in c) |
|___|______________|__________|_____________|___________________________|
|3  | scalar or    | scalar or| RGBA Values,|  no use of cmap,          |
|   |  array       |  array   |Color Strings|  use colors from c        |
|___|______________|__________|_____________|___________________________|

现在，一旦最终确定了实际颜色，然后循环x, y中每个点的颜色。如果x，y的大小等于或小于c中颜色的大小，那么你会得到完美的Map，否则会再次使用旧的颜色。
这里有一个例子来说明这一点：

# Case 1 from above table

# All three points get the same color = plt.cm.Spectral(0)
plt.scatter(x=0.0, y=0.2, c=0, cmap=plt.cm.Spectral)
plt.scatter(x=0.0, y=0.3, c=1, cmap=plt.cm.Spectral)
plt.scatter(x=0.0, y=0.4, c=1.0, cmap=plt.cm.Spectral)

# Case 2 from above table

# The values in c are normalized 
# highest value in c gets plt.cm.Spectral(1.0)
# lowest value in c gets plt.cm.Spectral(0.0)
# Others in between as per normalizing
# Size of arrays in x, y, and c must match here, else error is thrown
plt.scatter([0.1, 0.1, 0.1, 0.1, 0.1], [0.2, 0.3, 0.4, 0.5, 0.6], 
            c=[1, 2, 3, 4, 5], cmap=plt.cm.Spectral)

# Case 3 from above table => No use of cmap here,
#  blue is assigned to the point
plt.scatter(x=0.2, y=0.3, c='b')

# You can also provide rgba tuple
plt.scatter(x=0.2, y=0.4, c=plt.cm.Spectral(0.0))

# Since a single point is present, the first color (green) is given
plt.scatter(x=0.2, y=0.5, c=['g', 'r'])

# Same color 'cyan' is assigned to all values
plt.scatter([0.3, 0.3, 0.3, 0.3, 0.3], [0.2, 0.3, 0.4, 0.5, 0.6], 
            c='c')

# Colors are cycled through points
# 4th point will get again first color
plt.scatter([0.4, 0.4, 0.4, 0.4, 0.4], [0.2, 0.3, 0.4, 0.5, 0.6], 
            c=['m', 'y', 'k'])

# Same way for rgba values
# Third point will get first color again
plt.scatter([0.5, 0.5, 0.5, 0.5, 0.5], [0.2, 0.3, 0.4, 0.5, 0.6], 
            c=[plt.cm.Spectral(0.0), plt.cm.Spectral(1.0)])

输出：

浏览代码中的注解和点的位置沿着颜色，以彻底理解。
您也可以在Case 3的代码中将参数c替换为color，结果仍然相同。