2.2 颜色系统与色彩映射

2.2 颜色系统与色彩映射

本节摘要：颜色是 Matplotlib 里最容易"让图变专业"、也最容易"一用就翻车"的部分。本节先讲清五种写颜色的方式——RGB、RGBA、十六进制、灰度、命名颜色，再讲 colormap（色彩映射）如何把数值翻译成颜色，以及顺序、发散、定性、循环四类的适用场景，顺带说清颜色条与归一化如何让颜色和数值严格对应。学完你能按数据类型选对配色，避开红绿混淆、感知不均这些坑。

上手前先明确

阅读完本节，你应当能够：

1. 用 RGB、RGBA、十六进制、灰度、命名颜色五种方式在代码里指定颜色
2. 解释 colormap 的含义，以及它和"直接指定颜色"的区别
3. 区分顺序、发散、定性、循环四类 colormap，并说出各自适合的数据
4. 按数据类型（连续、正负、类别、循环）挑选合适的 colormap
5. 用 ListedColormap 和 LinearSegmentedColormap 做简单的自定义配色

一、颜色不是装饰，是编码

先纠正一个普遍误解：在数据可视化里，颜色首先不是用来"好看"的，而是用来编码信息的。柱状图里每种柱子的颜色，可能在标记不同的类别；热力图里从蓝到红的渐变，可能在表示数值从低到高；散点图里点的深浅，可能在表示密度。颜色一旦用错，读者会读出错误的信息，或者干脆读不出信息。

但颜色又确实影响美观。一张图里大红配大绿、饱和度拉满，信息再准确也让人不想看。所以我们既要懂"颜色怎么指定"，也要懂"颜色怎么选"——前者是语法，后者是审美加逻辑。这两件事搞混，是最常见的起点错误：以为学会了五种写法就懂配色了，其实那只是刚会写字的阶段，离把图配得又准又好看还差得远。

Matplotlib 在这两件事上都给了充分的空间：指定颜色有五种写法，选颜色有一套预定义的 colormap 体系和自定义接口。下面我们分开讲。

二、五种写颜色的方式

同一个"红色"，Matplotlib 至少有五种表达。它们没有优劣之分，只是适用场景不同。我按"从精确到省事"的顺序过一遍。

RGB 元组是最底层的写法，用三个 0 到 1 的浮点数表示红、绿、蓝的强度：(1, 0, 0) 是纯红，(0, 0, 1) 是纯蓝，(0.5, 0.5, 0.5) 是灰。注意这里是 0 到 1，不是 0 到 255，很多从网页设计转过来的人会在这里栽跟头。RGBA 就是 RGB 再加一个 Alpha 通道表示透明度，(1, 0, 0, 0.5) 是半透明红，Alpha 为 0 时完全透明。

十六进制是网页风格的写法，以 # 开头：#FF0000 是纯红，#3399CC 是种浅蓝，八位的 #FF000080 末尾两位表示透明度。如果你手头有设计稿，上面标注的颜色多半是十六进制，直接照抄即可。

灰度值是单个浮点数或字符串，0 是黑、1 是白，'0.5' 是中间灰。打印或灰度显示场景常用，也能做出克制、耐看的单色图。

命名颜色最省事，直接写 'red'、'skyblue'、'coral'。Matplotlib 内置了 CSS 和 XKCD 两套命名颜色，数量上百个，日常够用。它的缺点是颜色名不精确——你写 'blue' 得到的蓝，未必是你心里那个蓝。

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
plt.plot(x, [2, 4, 1, 3], color=(1, 0, 0))          # RGB 元组
plt.plot(x, [3, 1, 4, 2], color='#008000')           # 十六进制
plt.plot(x, [1, 2, 3, 4], color='0.6')               # 灰度
plt.plot(x, [4, 2, 3, 1], color='skyblue')           # 命名颜色
plt.scatter([1.5, 2.5], [2.5, 1.5], color=(0, 0, 1, 0.5))  # RGBA 半透明蓝
​

选哪种写法，看你要不要"精确可控"。要精确复现某个颜色，用 RGB 或十六进制；图省事、颜色要求不高，用命名颜色。灰度值我多用在"要打印出来"或"想要单色高级感"的场合。

三、colormap：把数值翻译成颜色

五种写法解决的是"给单个元素指定颜色"，但热力图、等高线、散点着色这类场景，颜色要随数据值连续变化——一个数据值对应一个颜色。这靠的就不是写死一个颜色，而是 colormap（色彩映射）。

colormap 本质上是一个"翻译器"：输入一个 0 到 1 的数值，输出一个颜色。数值小，映射到 colormap 一端的颜色；数值大，映射到另一端；中间值落在中间的过渡色上。cmap='viridis' 就是把数值翻译成"深紫到亮黄"的渐变色带。理解了这个"翻译器"的比喻，你就明白为什么 colormap 的选择会直接决定读者看到的数据模式——翻译错了，趋势就失真了。

Matplotlib 内置的 colormap 分四类，这是本节的重点。顺序型从浅到深连续变化，适合"从低到高、从小到大"这种有方向的连续数据，代表有 viridis、magma、plasma、Blues。发散型两端是两种对立的颜色、中间是浅色，适合"围绕一个中心值向两侧偏离"的数据，比如有正有负、有涨有跌，代表有 coolwarm、RdBu、seismic。定性型是一组差异明显的离散颜色，适合类别数据，比如 tab10、Set1、Paired。循环型首尾相接，适合角度、时间、相位这类转一圈又回到原点的数据，比如 twilight、hsv。

图 2.2 colormap 三类对比

选 colormap 的黄金法则是：先问数据有没有"方向"和"中心"。有方向、单向递增，用顺序型；有方向、但围绕中心正负发散，用发散型；没有顺序只有类别，用定性型；数据是循环的，用循环型。这个判断做对了，配色就成功了一大半。

四、为什么默认是 viridis，而不是彩虹色

这里值得停下来讲一个工程判断：Matplotlib 把默认 colormap 定为 viridis，不是随便选的。老式的"彩虹色"（从红到紫穿过整个光谱）虽然看着热闹，却有严重的感知问题——它的亮度并不随数据值单调变化，中间有一段又亮又突兀，会误导读者以为那里数据有突变。更重要的是，红绿段对色盲人群不友好，这部分差异在红绿色盲眼里直接消失。

viridis 这类新式 colormap 解决的就是这两个问题：亮度单调递增，数据从低到高时视觉上也稳定地从深到亮；且对色盲相对友好。所以顺序数据我基本无脑用 viridis，只有在正负发散时才换成 coolwarm，在纯类别时才换 tab10。除非有品牌色或特殊语义要求，别轻易回到彩虹色。

还有个细节：当类别只有两三个时，与其套一个定性 colormap，不如直接给每个类别写一个具体颜色，比如一个用 '#1f77b4'、一个用 '#ff7f0e'。这样每个颜色都有明确的语义绑定，读者一看图例就知道谁是谁，比从 colormap 里自动取色更可控，也更好在正文里用文字描述。colormap 真正发力的地方，是类别多、或数值连续、需要自动过渡的场景。

五、自定义 colormap

预置方案不够用时，Matplotlib 允许自定义。两条路径对应两种需求：要离散的颜色分段，用 ListedColormap；要连续的渐变过渡，用 LinearSegmentedColormap。

from matplotlib.colors import ListedColormap, LinearSegmentedColormap

# 离散：四个颜色对应四类
discrete = ListedColormap(['lightcoral', 'skyblue', 'lightgreen', 'gold'])

# 连续：定义各通道在 0、0.5、1 三个位置的颜色，中间自动线性插值
cdict = {
    'red':   [(0.0, 0.0, 0.0), (0.5, 1.0, 1.0), (1.0, 1.0, 1.0)],
    'green': [(0.0, 0.0, 0.0), (0.5, 0.0, 1.0), (1.0, 1.0, 1.0)],
    'blue':  [(0.0, 1.0, 1.0), (0.5, 0.0, 0.0), (1.0, 0.0, 0.0)],
}
continuous = LinearSegmentedColormap('my_cmap', cdict)
​

ListedColormap 就是把一个颜色列表直接当成映射表，数据落进哪个区间就用哪个颜色，干净利落。LinearSegmentedColormap 复杂一点，它要你分别给出红、绿、蓝三个通道在若干锚点上的值，锚点之间线性插值——本质是在"手工拼一条渐变色带"。我的经验是：离散分类用前者，想做"从品牌色浅到深"这类连续渐变用后者。

和 colormap 一起出现、但常被当成一回事的，还有颜色条和归一化，这里顺带说清。颜色条（colorbar）是把 colormap 的渐变显示成一根带刻度的竖条，充当"颜色对照表"，告诉读者这个颜色对应哪个数值，热力图和等高线图几乎必带。它不是手画的，plt.colorbar() 一行就加上。归一化（Normalize）则决定数据值如何映射到 colormap 的 0 到 1 区间：默认是线性映射，但当数据呈数量级差异（比如从 1 到 10000）时，对数归一化能让颜色分布更合理，否则小数值全挤在一端、颜色根本拉不开。

颜色条还有一个关键性质：它和主图共享同一套归一化，所以颜色条上的数值范围和主图数据严格对应，这是它可信的来源。多子图里各带颜色条时，用 fig.colorbar 并指定对应的 ax，让每个颜色条贴对位置。把它们串起来理解就是：colormap 负责"翻译"，colorbar 负责"给出对照表"，归一化负责"决定翻译规则"，三者配合才是一条完整的数值到颜色链路。

⚠️ 常见坑：RGB 元组的值域是 0 到 1，不是 0 到 255。写成 (255, 0, 0) 会被截断成纯红，颜色看着"对"其实是错的，透明度或混合时就露馅。另一个坑是给连续数据用了定性 colormap，颜色跳变会制造出根本不存在的"断层"。
💡 关键直觉：把 colormap 当成"数值的翻译官"。翻译官选得不好，数据的意思就传歪了。所以选 colormap 前先问一句：这个数据是"从低到高"还是"有正有负"还是"只是不同类"？

六、常被问到的几个细节

RGB 的 0 到 1 和网页的 0 到 255，到底怎么回事

Matplotlib 里 RGB 元组用的是归一化的 0 到 1，而网页、设计稿里习惯用 0 到 255。换算很简单：把 255 制除以 255 就是 Matplotlib 要的值。(255, 0, 0) 这种写法会被截断成纯红，颜色看起来"对"，其实已经踩了边界，做透明度和混合时就露馅。不确定的话，宁可用十六进制，它和设计稿是同一种语言。

给连续数据用了定性 colormap，会出什么问题

定性 colormap 是一组彼此割裂的离散颜色，没有"从低到高"的渐变。把它套在连续数据上，会在颜色跳变处制造出根本不存在的数据断层，读者会以为那里有突变。反过来，把顺序型 colormap 用在类别数据上，相邻类别又可能糊在一起分不清。所以选 colormap 的第一问永远是：数据有没有方向。

怎么照顾色盲读者

避开红绿这对最容易混淆的颜色组合。viridis、cividis、plasma 这类新式 colormap 在设计时就考虑了色盲友好，顺序数据直接选它们最省心。如果非要表达正负对立，coolwarm 的红蓝对比在色盲下也相对可辨。真要严格，就用色盲模拟工具检查一遍成图。

想用某个 colormap，但方向反了怎么办

在 colormap 名字后加 _r 即可反转，比如 cmap='viridis_r' 就是把"深到亮"翻成"亮到深"。这在你需要"高值浅、低值深"的语义时很常用，不用去重新定义一个映射。

命名颜色从哪查

Matplotlib 内置了 CSS 和 XKCD 两套命名颜色，加起来上百个。想要精确的色名，可以查 matplotlib.colors.CSS4_COLORS 和 matplotlib.colors.XKCD_COLORS 这两个字典。不过我的经验是，日常写作直接用几个记得住的色名，精确复现再换十六进制或 RGB。

要点串联

• 颜色是编码，不只是装饰：它标记类别、表达数值，选错会误导读者。
• 五种写法：RGB、RGBA、十六进制、灰度、命名颜色，精确度从高到低。
• RGB 值域是 0 到 1：别和网页的 0 到 255 搞混。
• colormap 是翻译器：输入数值，输出颜色，viridis 是默认的稳妥选择。
• 四类 colormap：顺序看趋势、发散看偏离、定性看类别、循环看周期。
• 优先感知均匀、色盲友好的方案：viridis、cividis 等，避开老式彩虹色。
• 自定义两条路：离散用 ListedColormap，连续用 LinearSegmentedColormap。

颜色定好了，图的"神"就有了。但一张图要能拿出手，还得统一外观、打磨细节——这正是第 2.3 节"样式与美化"要干的事。