幕雪

matplotlib颜色数据可视化中色彩的奥秘：是什么、为什么、哪里、多少、如何与选择指南

前言

在数据可视化领域，色彩不仅仅是美学上的考量，更是信息传递的强大载体。Matplotlib作为Python中最广泛使用的绘图库之一，提供了极其丰富和灵活的色彩控制能力。理解并掌握Matplotlib的颜色机制，是创建清晰、有效且富有洞察力图表的关键。本文将围绕Matplotlib的色彩功能，深入探讨其“是什么”、“为什么”、“哪里”、“多少”、“如何”以及“怎么”应用和选择，助您驾驭色彩的力量，让数据“跃然纸上”。

Matplotlib颜色：是什么？

Matplotlib中的“颜色”是指用于绘制图形元素（如线条、点、填充区域、文本等）的视觉属性。它能够以多种形式进行表达和应用，从简单的命名颜色到复杂的色彩映射，共同构成了Matplotlib强大的色彩体系。

色彩的基本表达形式

命名颜色

最直观、最易于理解的颜色指定方式是使用预定义的颜色名称。Matplotlib内置了一套标准颜色名称，包括缩写和全称。

  • 单字符缩写：包括’b’ (blue), ‘g’ (green), ‘r’ (red), ‘c’ (cyan), ‘m’ (magenta), ‘y’ (yellow), ‘k’ (black), ‘w’ (white)。这些缩写在快速绘图时非常方便。
  • X11/CSS4命名颜色：Matplotlib支持几乎所有的X11/CSS4命名颜色，例如’skyblue’、’chocolate’、’darkgreen’、’lightcoral’等。这些名称提供了更丰富的色彩选择和更高的可读性。

十六进制颜色码 (Hex codes)

十六进制颜色码是一种广泛应用于Web和图形设计领域的颜色表示方法，它允许精确指定红、绿、蓝（RGB）分量以及可选的透明度（Alpha）分量。

  • #RRGGBB：由一个井号（#）后跟六位十六进制数字组成。每两位数字代表红（RR）、绿（GG）、蓝（BB）分量的值，范围从00到FF。例如，’#FF0000’代表纯红色，’#0000FF’代表纯蓝色。
  • #RRGGBBAA：在六位的基础上增加两位表示透明度（AA），范围同样是00到FF，其中FF表示完全不透明，00表示完全透明。例如，’#FF000080’表示半透明的红色。

RGB/RGBA元组

RGB或RGBA元组是一种直接用数字指定颜色分量的方式。

  • (R, G, B)：一个包含三个浮点数的元组，每个浮点数代表红、绿、蓝分量的值，范围通常是0.0到1.0。例如，(1.0, 0.0, 0.0)代表纯红色，(0.5, 0.5, 0.5)代表中灰色。
  • (R, G, B, A)：在RGB的基础上增加第四个浮点数，代表透明度（Alpha），范围同样是0.0到1.0。0.0表示完全透明，1.0表示完全不透明。例如，(1.0, 0.0, 0.0, 0.5)代表半透明的红色。
  • 0-255整数元组：Matplotlib也支持RGB/RGBA元组使用0-255的整数范围，但通常建议转换为0.0-1.0的浮点数形式。

色彩映射（Colormaps）：连续数据的视觉桥梁

什么是Colormap

Colormap（色彩映射）是一系列有序的颜色集合，用于将数值数据（通常是连续数据）映射到视觉上的颜色。它允许用户通过颜色的渐变来表示数据值的变化，从而揭示数据中的模式、趋势和分布。

Colormap的分类

Matplotlib内置了多种Colormap，通常根据其设计目的和数据类型分为三类：

  1. 顺序型 (Sequential)：

    这类Colormap通常用于表示从低到高或从弱到强的单向连续数据，如温度、高度、密度等。颜色通常从浅色渐变到深色，或从一种色调渐变到另一种色调，但保持单调递增的亮度或饱和度。

    常见示例：‘viridis’、’plasma’、’inferno’、’magma’（这些是感知均匀的Colormap，推荐使用），’Blues’、’Greens’、’Reds’等（单色调渐变）。

  2. 发散型 (Diverging)：

    发散型Colormap用于表示数据围绕一个中心点（如零点、平均值或某个阈值）向两个方向偏离的情况。它们通常在中心点使用中性色或浅色，然后向两端发散出两种对比鲜明的颜色，亮度或饱和度逐渐增加。

    常见示例：‘RdBu’（红蓝）、’PiYG’（粉绿）、’BrBG’（棕绿蓝）等。

  3. 定性型 (Qualitative)：

    这类Colormap用于表示分类或离散数据，其中每个颜色代表一个独立的类别，它们之间没有顺序关系。定性型Colormap的颜色通常是区分度高、饱和度适中的独立色块，以避免暗示顺序。

    常见示例：‘tab10’、’Paired’、’Set1’等。这些Colormap通常包含数量有限的清晰可辨的颜色。

颜色循环（Color Cycles）：多系列数据的自动区分

当在一张图上绘制多个系列（如多条线、多个柱状图组）时，为了自动区分它们，Matplotlib会按照预设的顺序循环使用一组颜色。这组颜色被称为“颜色循环”。默认的颜色循环包含10种颜色，设计用于提供良好的区分度。用户可以自定义这个循环，以满足特定的美学或功能需求。

Matplotlib颜色：为什么如此重要？

色彩在数据可视化中扮演着至关重要的角色，它远不止于装饰。

提升信息传达效率

合适的色彩选择能够显著提升图表的信息传达效率。例如，使用渐变色表示数值大小，读者一眼就能看出数据的分布趋势，而无需细读每一个数值标签。

强调关键数据与模式

通过使用突出色彩，可以引导观众的注意力到图表的特定区域、异常值或重要模式上。例如，在散点图中用一种鲜艳的颜色标记离群点，或者用不同的颜色区分不同类别的趋势线。

增强图表美观性与专业度

和谐且富有专业感的配色方案能够提升图表的整体美观度，使其更具吸引力，从而鼓励观众更深入地探索数据。专业的配色方案也体现了数据分析师对细节的关注和专业素养。

数据编码与区分

色彩是编码数据属性的有效方式。它可以用来：

  • 区分不同类别：如分类变量的不同水平。
  • 表示数值大小：如连续变量的数值强度。
  • 指示数据状态：如成功/失败、高/中/低。

Matplotlib颜色：在哪里应用与获取？

Matplotlib的颜色功能几乎可以应用于图表中的所有视觉元素，并且提供了多种方式来获取和管理这些颜色资源。

色彩的应用场景

以下是Matplotlib中常见的一些可以使用颜色进行控制的绘图元素：

  • 线条颜色：通过color参数设置折线图、函数曲线的颜色。

    plt.plot(x, y, color='red')
  • 标记颜色：通过markerfacecolor和markeredgecolor参数设置散点图或折线图标记的内部和边缘颜色。

    plt.plot(x, y, 'o', markerfacecolor='blue', markeredgecolor='black')
  • 填充颜色：通过facecolor参数设置柱状图、直方图、填充区域（如fill_between）的颜色。

    plt.bar(categories, values, facecolor='green')
  • 文本与标题颜色：通过color参数设置图表标题、轴标签、刻度标签、图例文本等。

    plt.title('My Plot', color='purple')
  • 坐标轴与背景色：通过set_facecolor设置子图背景色，通过spine对象的set_edgecolor设置轴线颜色。

    ax.set_facecolor('#F0F0F0')
  • 图例与注释颜色：图例中的线条和标记颜色会继承绘制时的颜色，注释文本也可以单独设置颜色。

内置色彩资源

命名颜色的查询

Matplotlib内置了丰富的命名颜色，可以通过matplotlib.colors模块中的cnames字典查看所有支持的X11/CSS4命名颜色及其对应的Hex值。

内置Colormap的查找

所有内置的Colormap都可以在matplotlib.cm模块中找到。Matplotlib官方文档提供了完整的Colormap列表及其预览，包括感知均匀Colormap（如’viridis’系列）、顺序型、发散型和定性型Colormap。 

# 获取所有内置Colormap的列表
# import matplotlib.pyplot as plt
# import matplotlib.cm as cm
# print(plt.colormaps())

外部色彩工具与资源

除了Matplotlib内置的色彩功能，还有许多外部工具和资源可以帮助您选择和生成配色方案：

  • 在线配色工具：如Adobe Color、Coolors、ColorBrewer 2.0（专门针对地图和数据可视化配色）等，它们可以帮助您生成和谐的色板或选择符合数据类型需求的Colormap。
  • 第三方库：例如cmocean提供了专为海洋学数据设计的感知均匀Colormap，viridis系列（现在已内置于Matplotlib）最初也是外部项目。
  • 色彩规范网站：许多设计和数据可视化相关的网站会分享最佳实践和优秀的配色案例。

Matplotlib颜色：有哪些选择与限制？

虽然Matplotlib提供了极大的灵活性，但在使用颜色时仍需了解其选择范围和潜在限制。

命名颜色：数量与选择

Matplotlib支持的X11/CSS4命名颜色大约有140多种。这提供了广泛的选择，但对于需要精细控制或特定色调的场景，可能不足以满足需求。它们的优势在于易于记忆和快速原型开发。

RGB/RGBA与Hex：数值范围与透明度

RGB/RGBA元组和Hex码提供了对色彩空间的完全控制。

  • 数值范围：对于RGB/RGBA浮点数，每个分量都在0.0到1.0之间。Hex码则使用00到FF（0到255）的十六进制值。理解这些范围是精确调色的基础。
  • 透明度：RGBA元组或#RRGGBBAAHex码中的A（Alpha）分量允许控制元素的透明度。0.0（00）表示完全透明，1.0（FF）表示完全不透明。透明度在处理重叠数据点、创建层次感或强调特定区域时非常有用。

Colormap：内置与自定义的数量考量

Matplotlib内置了超过100种Colormap，涵盖了各种类型和用途。这对于大多数常见的数据可视化需求已经足够。然而，如果您的数据具有非常独特的属性，或者您需要遵循特定的品牌或出版物配色指南，您可能需要：

  • 反转内置Colormap：通过添加_r后缀（如’viridis_r’）来反转Colormap的颜色顺序。
  • 自定义Colormap：使用matplotlib.colors.LinearSegmentedColormap或matplotlib.colors.ListedColormap来创建完全符合您需求的Colormap，这允许您精确控制颜色渐变的阶段和具体颜色。

感知限制：合理使用色彩的数量

尽管有无限的色彩可能，但人类对颜色的感知能力是有限的。特别是在定性数据中，如果使用的颜色种类过多，观众将难以区分不同的类别。

经验法则：

  • 对于定性（分类）数据，通常建议使用的独立颜色数量不要超过7-10种。超过这个数量，即使颜色本身有区分度，人眼也很难快速识别和记忆。
  • 对于顺序型或发散型数据，颜色的渐变应该是平滑且感知均匀的，避免突然的颜色跳变。

Matplotlib颜色：如何具体操作与使用？

本节将详细介绍在Matplotlib中指定和应用颜色的具体方法。

直接指定颜色

在Matplotlib的许多绘图函数（如plot, scatter, bar等）中，都有color、facecolor、edgecolor等参数可以直接接受颜色值。

命名颜色

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.figure(figsize=(8, 4))
plt.plot(x, y1, color='royalblue', label='正弦曲线') # 使用命名颜色
plt.plot(x, y2, color='darkorange', label='余弦曲线')
plt.title('命名颜色示例')
plt.legend()
plt.show()

十六进制颜色码

# 延续上述示例
plt.figure(figsize=(8, 4))
plt.plot(x, y1, color='#1E90FF', label='正弦曲线 (Hex)') # 使用Hex颜色码
plt.plot(x, y2, color='#FF8C00', label='余弦曲线 (Hex)')
plt.title('十六进制颜色码示例')
plt.legend()
plt.show()

RGB/RGBA元组

# 延续上述示例
plt.figure(figsize=(8, 4))
plt.plot(x, y1, color=(0.117, 0.565, 1.0), label='正弦曲线 (RGB)') # 使用RGB元组
plt.plot(x, y2, color=(1.0, 0.549, 0.0), label='余弦曲线 (RGB)')
plt.title('RGB元组颜色示例')
plt.legend()
plt.show()

使用Colormap

Colormap主要用于将数值数据映射到颜色。这在散点图、热力图、等高线图等场景中非常常见。

为散点图、热力图等应用Colormap

通过cmap参数指定Colormap的名称，通过c参数传递用于颜色映射的数值数据。 

import matplotlib.pyplot as plt
import numpy as np

# 模拟数据
np.random.seed(42)
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100) # 用于颜色映射的数值

plt.figure(figsize=(8, 6))
scatter = plt.scatter(x, y, c=z, cmap='viridis', s=100, alpha=0.7) # 使用viridis Colormap
plt.title('散点图与Colormap示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.colorbar(scatter, label='Z值') # 添加颜色条
plt.show()

创建颜色条

颜色条（Colorbar）是Colormap的伴侣，它显示了颜色与数值的对应关系，是理解基于Colormap图表的关键。 

# 在上述散点图示例中，已经展示了如何使用 plt.colorbar() 创建颜色条。
# 它通常需要一个ScalarMappable对象作为输入，scatter函数返回的就是这种对象。

自定义Colormap

当内置Colormap不满足需求时，可以手动创建。

`LinearSegmentedColormap`

用于创建基于一系列颜色点平滑渐变的Colormap。您可以指定在数据范围的哪些位置出现哪些颜色。 

from matplotlib.colors import LinearSegmentedColormap

# 定义颜色点和对应的位置 (0.0到1.0)
colors = [(0, 'red'), (0.5, 'green'), (1, 'blue')] # 在0%处是红，50%是绿，100%是蓝
my_cmap = LinearSegmentedColormap.from_list("my_custom_cmap", colors, N=256)

# 应用到绘图
plt.figure(figsize=(8, 6))
scatter = plt.scatter(x, y, c=z, cmap=my_cmap, s=100, alpha=0.7)
plt.title('自定义LinearSegmentedColormap示例')
plt.colorbar(scatter, label='Z值')
plt.show()
`ListedColormap`

用于创建由一系列离散颜色组成的Colormap，适用于分类数据或需要精确控制每一阶颜色的场景。 

from matplotlib.colors import ListedColormap

# 定义一系列离散颜色
colors = ['#FF0000', '#00FF00', '#0000FF', '#FFFF00'] # 红、绿、蓝、黄
my_listed_cmap = ListedColormap(colors)

# 假设z现在是离散的类别数据 (0, 1, 2, 3)
# z_categories = np.random.randint(0, 4, 100)
# plt.figure(figsize=(8, 6))
# scatter = plt.scatter(x, y, c=z_categories, cmap=my_listed_cmap, s=100, alpha=0.7)
# plt.title('自定义ListedColormap示例')
# plt.colorbar(scatter, ticks=range(4), label='类别')
# plt.show()

设置全局颜色循环

可以通过修改Matplotlib的运行时配置参数来更改默认的颜色循环。 

import matplotlib.pyplot as plt
import numpy as np

# 设置新的颜色循环
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=['teal', 'salmon', 'darkviolet', 'gold'])

x = np.linspace(0, 2 * np.pi, 100)
y_sin = np.sin(x)
y_cos = np.cos(x)
y_tan = np.tan(x) / 10 # 缩小tan的范围以便观察
y_exp = np.exp(-x)

plt.figure(figsize=(10, 6))
plt.plot(x, y_sin, label='Sin(x)')
plt.plot(x, y_cos, label='Cos(x)')
plt.plot(x, y_tan, label='Tan(x)/10')
plt.plot(x, y_exp, label='Exp(-x)')
plt.title('自定义颜色循环示例')
plt.legend()
plt.show()

# 恢复默认设置 (如果需要)
# plt.rcParams.update(plt.rcParamsDefault)

控制透明度

除了在RGBA元组或Hex码中直接指定透明度，Matplotlib的许多绘图函数也提供了alpha参数来单独控制透明度。 

import matplotlib.pyplot as plt
import numpy as np

x = np.random.rand(50)
y = np.random.rand(50)

plt.figure(figsize=(7, 5))
plt.scatter(x, y, s=200, color='blue', alpha=0.5, label='半透明散点') # alpha=0.5
plt.title('透明度控制示例')
plt.legend()
plt.show()

针对特定元素的颜色设置

更细粒度的颜色控制可以通过访问Matplotlib的底层对象实现，例如调整刻度线、网格线或边框的颜色。 

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(8, 5))

# 绘制数据
ax.plot(np.sin(np.linspace(0, 10, 100)), color='darkgreen', linewidth=2)

# 设置X轴刻度标签颜色
ax.tick_params(axis='x', colors='darkblue', labelsize=12)
# 设置Y轴刻度标签颜色
ax.tick_params(axis='y', colors='darkred', labelsize=12)

# 设置网格线颜色和透明度
ax.grid(True, color='gray', linestyle='--', alpha=0.6)

# 设置轴标题颜色
ax.set_xlabel('X轴数据', color='navy', fontsize=14)
ax.set_ylabel('Y轴数据', color='darkmagenta', fontsize=14)

# 设置图表标题颜色
fig.suptitle('精细化元素颜色控制', color='maroon', fontsize=16)

# 设置子图的背景色
ax.set_facecolor('lightyellow')

# 设置轴的边框颜色
for spine in ax.spines.values():
    spine.set_edgecolor('black')
    spine.set_linewidth(1.5)

plt.show()

Matplotlib颜色：如何做出最佳选择与应用技巧？

选择合适的颜色并非随意之事，它需要结合数据特性、图表目的和观众感知进行深思熟虑。

根据数据类型选择Colormap

这是使用Colormap的核心原则。

  • 顺序数据 (Sequential Data)：

    用于表示数值从低到高或从弱到强的连续变化。选择感知均匀的顺序型Colormap（如’viridis’、’plasma’、’inferno’、’magma’）通常是最佳实践，因为它们能准确反映数据大小的线性变化，避免视觉假象。单色调渐变（如’Blues’、’Greens’）也常用于此。

  • 发散数据 (Diverging Data)：

    用于表示数据围绕一个中心点向两个方向偏离的情况，如正负值、高于/低于平均值。中心点应为中性色，两端颜色应形成鲜明对比，如’RdBu’、’PiYG’等。

  • 定性数据 (Qualitative Data)：

    用于表示无序的分类数据。选择颜色之间区分度高、饱和度适中且数量有限的定性型Colormap（如’tab10’、’Set1’）非常重要，避免暗示顺序或过多的类别导致混淆。

考虑色彩的可访问性（无障碍性）

确保您的图表能够被尽可能多的人理解，包括色盲用户。

  • 色盲友好型Colormap：

    ‘viridis’、’plasma’、’inferno’、’magma’等感知均匀Colormap在设计时就考虑了色盲友好性。避免使用红绿色系或蓝黄色系作为主要区分颜色，因为这是最常见的色盲类型。

  • 对比度检查：

    确保前景元素（如线条、文本）与背景之间有足够的对比度，以便清晰可读。在线对比度检查工具可以帮助您验证这一点。

保持色彩一致性

在系列图表或报告中，保持色彩方案的一致性至关重要。例如，如果“销售额”在第一张图中用蓝色表示，那么在后续所有图中，销售额都应使用蓝色。这有助于观众快速理解和比较信息。可以考虑使用plt.rcParams来设置全局的默认颜色循环或Colormap。

利用色彩强调重点

通过使用跳脱的颜色、高饱和度或增加透明度等方式，可以有效引导观众的视线。例如，将最重要的曲线用鲜艳的颜色绘制，而将背景或辅助信息用柔和的灰色调。

色彩调试与优化

在可视化过程中，可能需要多次尝试和调整颜色方案。

  • 迭代式调整：

    从一个大致的配色方案开始，然后根据图表效果、数据特性和预期受众进行细微调整。

  • 利用预览：

    Matplotlib的实时绘图功能允许您快速预览更改，从而高效地进行颜色调试。

  • 获取他人反馈：

    尤其是在进行重要的数据展示时，征求非专业人士的意见可以帮助您发现潜在的色彩理解问题。

总而言之，Matplotlib的颜色功能是其强大之处的体现。通过熟练掌握各种颜色表达形式、巧妙运用Colormap和颜色循环，并遵循数据可视化的最佳实践，您将能够创作出既美观又极具信息量的图表，让您的数据故事更加引人入胜。

matplotlib颜色