1. 项目缘起为什么我们需要一份Python作图颜色指南如果你用Python做过图尤其是用过Matplotlib、Seaborn或者Plotly这类库大概率经历过这样的时刻想给图表换个颜色结果在搜索引擎里输入“matplotlib color”然后在一堆英文文档、Stack Overflow的零散回答和颜色代码对照表里翻来覆去地找。最后可能随便选了个‘blue’或者‘red’或者复制了一段‘#FF5733’这样的十六进制码但心里并不确定这是不是最合适、最好看的那个选择。这就是我写这篇汇总的初衷。颜色在数据可视化里远不止是“好看”那么简单。它承担着区分数据系列、突出关键信息、传达数据属性如正负、冷热、甚至引导观众情绪和注意力的重任。一个糟糕的配色方案能让清晰的数据变得混乱不堪而一个精心设计的配色则能让你的图表专业度和说服力提升好几个档次。网上关于Python颜色的资料很多但往往要么太零散只讲某个库的某个函数要么太理论大谈色彩空间原理要么就是一份冰冷的颜色名列表缺乏上下文和实战指导。我希望通过这篇汇总能帮你把Matplotlib、Seaborn、Plotly这几个主流库的颜色使用方式彻底理清从最基本的颜色名称和代码到高级的渐变色Colormap应用再到如何根据场景选择配色方案形成一个完整、可直接“抄作业”的知识体系。无论你是刚入门的新手还是想优化图表的老手这篇文章都能给你提供即查即用的参考。2. 颜色基础理解Python中的颜色表示法在深入各个库之前我们必须统一语言理解Python作图库是如何“认识”颜色的。这就像学画画先认识颜料是后续一切操作的基础。2.1 四种核心的颜色指定方式几乎所有Python可视化库都支持以下四种方式指定一个具体的颜色1. 颜色名称字符串这是最直观的方式。Matplotlib内置了一个丰富的颜色名称字典你可以直接使用像‘red’,‘green’,‘blue’,‘cyan’,‘magenta’,‘yellow’,‘black’,‘white’这样的英文单词。此外它还支持一些更具体的名称如‘skyblue’,‘lightcoral’,‘darkorange’等。# 示例使用颜色名称 plt.plot(x, y, colorsteelblue) # 线条颜色设为钢蓝色 plt.scatter(x, y, ccoral) # 散点颜色设为珊瑚色注意颜色名称是大小写不敏感的但建议使用全小写以保证兼容性。你可以通过matplotlib.colors.cnames这个字典查看所有可用的颜色名及其对应的十六进制码。2. 十六进制字符串这是Web设计和CSS中广泛使用的格式格式为‘#RRGGBB’或‘#RRGGBBAA’。RR、GG、BB分别代表红、绿、蓝通道的十六进制值00-FFAA代表透明度Alpha通道00-FF可选。这种方式可以表达极其丰富的颜色。# 示例使用十六进制颜色 color_hex #2E8B57 # 一种海绿色 color_hex_with_alpha #FF450080 # 橙红色50%透明度 (80/FF ≈ 0.5)3. RGB或RGBA元组用0到1之间的浮点数来表示每个颜色通道的强度。(R, G, B)表示RGB(R, G, B, A)表示RGBAA为透明度0为完全透明1为完全不透明。# 示例使用RGB/RGBA元组 color_rgb (0.1, 0.5, 0.8) # 一种蓝绿色 color_rgba (0.9, 0.2, 0.2, 0.6) # 一种红色60%不透明度这是程序化生成颜色时非常有用的一种方式例如在一个循环中根据索引计算颜色。4. 灰度字符串当只需要黑白灰时可以用一个代表灰度的字符串格式是‘0.x’的字符串或者直接是‘x’x为0-1的数字字符串。‘0.0’是黑色‘1.0’是白色‘0.5’是中灰色。# 示例使用灰度 plt.bar(labels, values, color0.7) # 浅灰色的柱状图2.2 颜色映射Colormap初探当我们需要用颜色表示一个连续变量的值比如温度、海拔、密度时单一颜色就不够用了我们需要一个从A颜色渐变到B颜色的“颜色条”这就是颜色映射Colormap简称cmap。在Matplotlib体系中它是一个将数据归一化到[0, 1]区间后映射到一组RGBA颜色的对象。import matplotlib.cm as cm # 获取‘viridis’颜色映射对象 cmap cm.get_cmap(viridis) # 将数值0.5映射为颜色 color_at_mid cmap(0.5)在绘图函数中我们通常直接将颜色映射的名字字符串传给cmap参数库会自动完成映射。这是科学可视化中最重要的概念之一我们会在第4章详细展开。3. 实战库解析Matplotlib, Seaborn, Plotly的颜色使用了解了颜色的“单词”表示法接下来我们学习如何在不同的“语境”作图库中组织它们形成优美的“句子”图表。3.1 Matplotlib基础而强大的调色板Matplotlib是Python绘图的基石其颜色系统最为基础和全面。单色控制在plot,scatter,bar等函数中主要通过color(或c在scatter中) 参数来控制颜色。import matplotlib.pyplot as plt import numpy as np x np.linspace(0, 10, 100) y np.sin(x) fig, ax plt.subplots() # 为不同的线条指定不同的颜色 ax.plot(x, y, colorindigo, labelLine 1, linewidth2) ax.plot(x, y*0.8, color(0.2, 0.7, 0.3), labelLine 2, linestyle--) # 使用RGB元组 ax.plot(x, y*0.6, color#FF8C00, labelLine 3) # 使用十六进制 ax.legend() plt.show()多系列颜色的自动化属性循环器当你在一个坐标系中绘制多条线或多个柱状图组时手动指定每个颜色很麻烦。Matplotlib使用“属性循环器”来自动分配颜色。默认情况下它会循环使用‘C0’,‘C1’, …‘C9’这10种颜色。for i in range(5): # 不需要指定color自动使用C0, C1, C2... plt.plot(x, y i, labelfLine C{i})你可以通过ax.set_prop_cycle()来定制这个循环器注入你喜欢的颜色列表。from cycler import cycler custom_colors [#1f77b4, #ff7f0e, #2ca02c, #d62728, #9467bd] custom_cycler cycler(colorcustom_colors) ax.set_prop_cycle(custom_cycler)实操心得‘C0’到‘C9’是Matplotlib 2.0后引入的“Tableau”调色板颜色在区分度、美观度和色盲友好性上做了平衡是默认的绝佳选择。除非有特殊品牌或出版要求否则建议优先使用它们。3.2 Seaborn基于统计美学的高级封装Seaborn在Matplotlib之上提供了更高级的统计图形和精美的默认样式。它的颜色系统核心是“调色板”。设置与使用调色板seaborn.color_palette()函数是核心。你可以获取一个颜色列表然后将其设置为当前上下文的颜色循环。import seaborn as sns import matplotlib.pyplot as plt # 获取一个‘husl‘调色板的6种颜色 palette sns.color_palette(husl, 6) print(palette) # 输出是一个RGB元组列表 # 将其设置为Matplotlib的颜色循环 sns.set_palette(palette) # 现在绘图就会使用这个调色板了 for i in range(6): plt.plot([0, 1], [i, i], linewidth4) plt.show()Seaborn内置的调色板类型定性调色板用于区分没有顺序关系的分类数据。这是最常用的。‘deep’,‘muted’,‘bright’,‘pastel’,‘dark’,‘colorblind’Seaborn的默认六套调色板‘deep’是默认。‘Set1’,‘Set2’,‘Set3’,‘tab10’,‘tab20’来自ColorBrewer和Matplotlib的经典分类色板。‘husl’,‘hls’在HSL色彩空间中均匀选取的颜色区分度极好。顺序调色板用于表示从低到高有序的数值数据。本质就是单色渐变的颜色映射。‘rocket’,‘mako’,‘crest’,‘flare’Seaborn自带的现代渐变色非常漂亮。‘viridis’,‘plasma’,‘inferno’,‘magma’,‘cividis’Matplotlib的感知均匀颜色映射是科学可视化的黄金标准。‘Blues’,‘Greens’,‘Reds’,‘Oranges’,‘Purples’单色渐变名字直观。发散调色板用于表示有中间值如零值和两个方向极值的数据如正负温度偏差。‘vlag’,‘icefire’Seaborn自带的发散色。‘RdBu’,‘PiYG’,‘PRGn’,‘BrBG’,‘PuOr’经典的“红-蓝”、“紫-绿”等发散调色板。你可以用sns.color_palette(‘调色板名称‘, n_colors数量)来获取指定数量的颜色列表或者用sns.palplot(sns.color_palette(‘调色板名称‘))来快速可视化一个调色板。在绘图函数中直接使用许多Seaborn绘图函数有palette参数可以直接传入调色板名称。tips sns.load_dataset(tips) # 使用‘Set2‘调色板为不同的‘day‘分类着色 sns.boxplot(xday, ytotal_bill, huesex, datatips, paletteSet2) plt.show()踩坑提醒Seaborn的set_palette()或set_style()会改变全局的Matplotlib绘图参数。如果你在同一个Notebook或脚本中混合使用Seaborn和纯Matplotlib并且希望它们风格独立最好使用with sns.color_palette(‘palette_name‘):上下文管理器或者在每个Seaborn绘图函数中单独指定palette参数避免全局设置带来意外影响。3.3 Plotly交互式图表的动态色彩Plotly特别是plotly.express以其声明式和交互式著称颜色系统同样强大且易于使用。离散颜色映射对于分类数据使用color_discrete_sequence参数。它可以接受一个Plotly认可的颜色名称列表、十六进制列表或RGB字符串列表。import plotly.express as px df px.data.iris() # 使用Plotly内置的定性色板‘Set1‘ fig px.scatter(df, xsepal_width, ysepal_length, colorspecies, # 根据物种分类着色 color_discrete_sequencepx.colors.qualitative.Set1) fig.show()px.colors.qualitative模块下包含了大量优秀的定性调色板如Plotly,D3,G10,T10,Set1,Set2,Set3等。连续颜色映射对于数值数据使用color_continuous_scale参数。它接受一个颜色映射名称或自定义的颜色列表。# 使用顺序色板‘viridis‘ fig px.scatter(df, xsepal_width, ysepal_length, colorpetal_length, # 根据花瓣长度连续值着色 color_continuous_scaleviridis) fig.show() # 使用自定义的从蓝到红的三色渐变 custom_scale [blue, white, red] fig px.scatter(df, xsepal_width, ysepal_length, colorpetal_length, color_continuous_scalecustom_scale)px.colors.sequential模块下包含了所有顺序颜色映射如Viridis,Plasma,Hot,Blues等。px.colors.diverging模块下则是发散颜色映射。设置颜色轴和颜色条Plotly的交互优势在这里体现你可以轻松设置颜色轴的标题、范围以及颜色条的位置和标题。fig.update_coloraxes(colorbar_titlePetal Length (cm), colorbar_orientationh, # 水平颜色条 colorbar_len0.5, # 长度比例 colorbar_x0.25) # 位置经验之谈Plotly Express的配色方案默认就非常美观对于快速出图极其友好。当需要精细控制时记住color_discrete_sequence管分类color_continuous_scale管连续。利用px.colors下的子模块可以快速找到大量经过专业设计的配色方案比自己去配要可靠得多。4. 颜色映射深度解析从Viridis到自定义颜色映射是科学可视化的灵魂。一个糟糕的颜色映射比如经典的‘jet’会扭曲数据、制造虚假边界、并且对色盲不友好。因此理解并正确使用颜色映射至关重要。4.1 感知均匀颜色映射为什么Viridis是首选Matplotlib 2.0版本的一个重大进步就是用‘viridis’取代了‘jet’作为许多函数的默认颜色映射。原因在于‘viridis’及其同系列的‘plasma’,‘inferno’,‘magma’,‘cividis’都是感知均匀的颜色映射。什么是感知均匀意味着在颜色映射上移动相同的数值距离给人眼的亮度/色相变化感是均匀的。这样数据值的大小变化能通过颜色被准确、线性地感知。‘jet‘为什么不好‘jet’在中间部分青色和黄色亮度很高两端深蓝和深红亮度很低。这会导致细节丢失高亮区域掩盖了细微变化。虚假特征人眼对亮度变化敏感‘jet’非均匀的亮度变化会在数据中制造出本不存在的“边界”或“凸起”。色盲不友好红绿区域难以区分。如何选择顺序颜色映射通用场景无脑选择‘viridis’。它在所有指标上表现优异。需要更高对比度尝试‘plasma’或‘inferno’它们两端对比更强烈。打印友好灰度‘cividis’是专门为色盲和灰度打印优化的在黑白打印时仍能保持很好的亮度梯度。传统单色系‘Blues’,‘Greens’,‘Reds’,‘Greys’等当你想强调数据是“正向”的如数量、密度且需要保守的学术风格时使用。如何选择发散颜色映射当数据有明确的中性点如0值和两个相反方向时使用。通用场景‘RdBu’红-蓝或‘PiYG’紫-绿是非常经典和可靠的选择。更多颜色‘RdBu_r’_r表示反转有时中间色更明显。Seaborn风格‘vlag’或‘icefire’提供了更现代的观感。在Matplotlib中应用颜色映射import numpy as np import matplotlib.pyplot as plt # 生成一些数据 data np.random.randn(10, 10) fig, axes plt.subplots(1, 2, figsize(10, 4)) # 使用‘jet‘不推荐 im0 axes[0].imshow(data, cmapjet) axes[0].set_title(Jet (Problematic)) plt.colorbar(im0, axaxes[0]) # 使用‘viridis‘推荐 im1 axes[1].imshow(data, cmapviridis) axes[1].set_title(Viridis (Perceptually Uniform)) plt.colorbar(im1, axaxes[1]) plt.tight_layout() plt.show()4.2 创建与注册自定义颜色映射有时品牌指南或特定出版物要求使用固定的配色。我们可以创建自定义的颜色映射。从颜色列表创建线性分段颜色映射这是最常见的方式使用LinearSegmentedColormap.from_list()方法。from matplotlib.colors import LinearSegmentedColormap # 定义几个关键节点的颜色 colors [#2A9D8F, #E9C46A, #E76F51] # 绿 - 黄 - 红 # 创建颜色映射对象命名为‘my_cmap‘ my_cmap LinearSegmentedColormap.from_list(my_cmap, colors, N256) # 使用它 plt.imshow(data, cmapmy_cmap) plt.colorbar()创建发散颜色映射使用LinearSegmentedColormap.from_list()时确保颜色列表中间是你想要的中间色通常是白色或浅灰色。diverging_colors [#003f5c, #58508d, #bc5090, #ff6361, #ffa600] # 这是一个从深蓝到橙色的多色渐变不是标准的发散色。 # 标准的红-蓝发散色可以这样简单定义 red_blue_colors [blue, white, red] div_cmap LinearSegmentedColormap.from_list(red_blue, red_blue_colors)注册颜色映射以便全局使用如果你希望像使用‘viridis’一样通过字符串名字使用你的自定义颜色映射需要将其注册到Matplotlib。from matplotlib import cm cm.register_cmap(namecompany_brand, cmapmy_cmap) # 现在可以全局使用了 plt.contourf(X, Y, Z, cmapcompany_brand)从图片或ColorBrewer获取颜色你可以使用在线工具或matplotlib.cm.get_cmap()获取现有的颜色映射然后修改或截取它。# 获取‘RdYlBu‘发散色并只取其中一部分 rdylbu cm.get_cmap(RdYlBu) # 截取从0.3到0.7的部分创建一个新的、对比更强的发散色 new_cmap LinearSegmentedColormap.from_list(truncated, rdylbu(np.linspace(0.3, 0.7, 256)))高级技巧对于更复杂的、非线性的颜色映射例如在中间部分变化更平缓你需要定义red,green,blue三个通道的插值字典并使用LinearSegmentedColormap的完整构造函数。这更复杂但能实现完全控制。大多数情况下from_list方法已经足够。5. 高级技巧与常见问题排查掌握了基础之后我们来看看那些能让你的图表更上一层楼以及帮你避开暗坑的高级技巧。5.1 透明度与边缘色的妙用透明度通过RGBA格式或alpha参数控制透明度在数据点重叠如散点图、绘制置信区间、或创建层次感时极其有用。# 散点图重叠区域用透明度显示密度 x np.random.randn(1000) y np.random.randn(1000) plt.scatter(x, y, alpha0.1, s20) # alpha0.1 90%透明 plt.title(Density revealed by transparency)边缘色在scatter和bar中edgecolor(或ec) 和linewidth(或lw) 参数可以定义数据点的边框。这能极大地提高图形的清晰度尤其是在背景复杂或颜色相近时。categories [A, B, C, D] values [5, 7, 3, 9] colors [skyblue, lightgreen, salmon, gold] plt.bar(categories, values, colorcolors, edgecolorblack, linewidth1.5) # 给每个柱子加上黑色边框使其在白色或浅色背景下更清晰5.2 处理大量分类颜色不够用怎么办当分类超过10个甚至20个时简单的定性调色板可能颜色不够用或者颜色过于相似难以区分。方案一使用循环色板像‘tab20’,‘tab20b’,‘tab20c’这样的调色板提供了20种区分度较好的颜色可以组合使用。# 组合两个20色的调色板来处理最多40个类别 cmap_tab20 plt.cm.get_cmap(tab20) cmap_tab20b plt.cm.get_cmap(tab20b) colors [] for i in range(30): if i 20: colors.append(cmap_tab20(i / 20)) else: colors.append(cmap_tab20b((i-20) / 20))方案二使用HSL/HUSL色彩空间均匀采样seaborn的‘husl’或‘hls’调色板可以在色彩环上均匀地选取任意数量的颜色保证它们在色相上有最大区分度。import seaborn as sns num_categories 25 husl_palette sns.color_palette(husl, num_categories) sns.palplot(husl_palette)方案三结合其他视觉通道当分类实在太多比如超过50个仅靠颜色区分已经不可行。此时必须结合其他视觉通道形状在散点图中为不同大类使用不同颜色再为每个大类下的子类使用不同形状的标记marker。分面使用plt.subplots或 Seaborn/Plotly 的facet功能将数据拆分到多个子图中。交互在Plotly等交互式图表中可以使用悬停提示hover来显示类别信息而不是完全依赖颜色。核心原则永远不要试图用颜色区分超过12-15个无序类别。人的短期记忆和色彩分辨能力是有限的。5.3 颜色相关的常见错误与排查问题1颜色显示不正确或为黑色可能原因传入了错误格式的颜色值。例如将(255, 0, 0)0-255范围的整数当成了RGB元组传给Matplotlib它期望0-1的浮点数。排查检查颜色值格式。如果是0-255的整数需要除以255.0进行归一化color(255/255.0, 0/255.0, 0/255.0)或np.array([255, 0, 0]) / 255。问题2颜色条Colorbar与图像颜色不匹配可能原因在绘制多个使用颜色映射的图形时没有正确地将颜色条与对应的mappable对象如imshow,contourf返回的对象关联。正确做法# 错误plt.colorbar() 可能关联到最后一个活动的axes # im1 ax1.imshow(data1, cmaphot) # im2 ax2.imshow(data2, cmapcool) # plt.colorbar() # 这个colorbar对应哪个 # 正确显式指定mappable对象和axes fig, (ax1, ax2) plt.subplots(1, 2) im1 ax1.imshow(data1, cmaphot) im2 ax2.imshow(data2, cmapcool) plt.colorbar(im1, axax1) # 为ax1的图像添加颜色条 plt.colorbar(im2, axax2) # 为ax2的图像添加颜色条问题3Seaborn调色板设置后纯Matplotlib图颜色没变原因sns.set_palette()设置的是之后创建的图形的属性循环器。对之前创建的图形或显式指定了颜色的图形无效。解决确保在sns.set_palette()或sns.set_theme()之后再创建你的图形。或者更推荐在绘图函数中通过palette参数局部设置。问题4导出图片如PDF/SVG后颜色变淡或不同原因颜色空间和透明度处理问题。Matplotlib默认使用RGB颜色空间而一些导出格式或查看器可能涉及颜色管理。解决在保存图形时指定facecolor‘white’和edgecolor‘none’以确保背景干净。对于印刷用途可以考虑使用CMYK颜色空间但这需要额外处理。避免使用过于接近白色或黑色的半透明叠加在导出为位图如PNG时可能产生锯齿。可以尝试先保存为PDF矢量格式再在专业软件中转换。6. 从理论到实践一套完整的配色工作流最后我将分享一套我个人在项目中遵循的、从零开始确定图表配色的实战工作流。这套流程能帮你系统性地做出专业、美观且富有信息量的配色决策。第一步明确数据与图表类型数据是分类的、顺序的还是发散的这是选择调色板类型的根本依据。图表是什么折线图/柱状图多系列分类通常用定性色。热图/等高线图/散点图连续值用顺序色或发散色。第二步确定基调和约束用途是学术论文、商业报告、仪表盘还是社交媒体学术图需要清晰、保守、可能需考虑黑白打印‘cividis’,‘viridis’。商业报告可能需要贴合公司品牌色。受众是否需要考虑色盲友好性避免红绿对比使用‘colorblind’调色板或‘viridis’/‘plasma’。品牌色如果有公司或项目的主题色以其为起点构建调色板。第三步选择与构建调色板分类数据如果类别数 ≤ 6-8直接从Seaborn的‘deep’,‘muted’,‘bright’,‘Set2’,‘Set3’或Plotly的qualitative模块中选一个。如果类别数多使用‘tab20’系列或‘husl’均匀采样。检查对比度将选中的颜色去色转灰度检查在黑白模式下是否仍有足够的明度差异来区分。顺序数据首选‘viridis’系列。如果需要更强烈的视觉冲击考虑‘plasma’或‘inferno’。如果想强调“数量大颜色深”使用单色系如‘Blues’,‘Greens’。使用plt.cm.get_cmap(‘viridis’)(0.2)这样的方式可以提取颜色映射中特定位置的颜色用作强调色。发散数据首选‘RdBu’或‘PiYG’。用‘_r’后缀反转如果需要。确保中间色通常是白色或浅灰准确地对应你的数据中性点如0。第四步在代码中应用与测试在Notebook或脚本中用一个简单的测试数据集绘制图表查看配色效果。关键测试重叠测试对于散点图或线图数据点重叠时透明度(alpha)是否设置得当打印测试将图表保存为灰度图cmap‘gray’或去色处理检查是否所有信息依然可辨。色盲模拟测试可以使用在线工具如Coblis或专门的Python库如daltonlens来模拟色盲视角下的图表效果。第五步迭代与文档化根据测试反馈调整颜色、透明度或甚至调色板类型。将最终确定的颜色代码十六进制或RGB元组或调色板名称记录在项目的样式指南或绘图配置模块中确保团队内图表风格统一。对于Matplotlib项目可以创建一个自定义的style.mplstyle文件在其中定义axes.prop_cycle等参数实现一键应用全局样式。一个完整的示例创建公司品牌调色板假设公司品牌色是深蓝色#003366和橙色#FF9900我们需要为一个有5个分类的柱状图配色。定性调色板以品牌蓝和品牌橙作为起点利用seaborn.husl_palette()或在线调色板生成器如palettable或colorbrewer2生成在HUSL色彩空间中均匀分布的5种颜色确保包含品牌色。顺序调色板从白色#FFFFFF渐变到品牌蓝#003366创建‘company_blues’颜色映射。发散调色板从品牌蓝#003366渐变到白色#FFFFFF再渐变到品牌橙#FF9900创建‘company_diverging’颜色映射。将这些自定义颜色映射注册到Matplotlib并在团队中共享style.mplstyle文件。颜色是数据可视化中最具表现力也最易出错的环节之一。它没有唯一的正确答案但遵循感知原理、考虑使用场景、并保持一致性能极大地提升你图表的质量和专业度。希望这份从基础到进阶的汇总能成为你Python作图路上随时查阅的可靠色彩手册。