Seaborn

本文集文档发布于灏天文库

6.1 颜色主题与调色板 (Color Palettes)

文档摘要

6.1 颜色主题与调色板 (Color Palettes) Seaborn 图形定制与美化：6.1 颜色主题与调色板 (Color Palettes) 详解 6.1.1 颜色在数据可视化中的重要性 颜色不仅仅是装饰，在数据可视化中，它承载着重要的信息编码功能。恰当的颜色选择能够： 区分数据类别： 例如，在散点图中，不同的颜色可以代表不同的数据类别，使观察者能够快速识别和区分。 表现数据大小： 例如，在热力图中，颜色深浅可以映射数据的大小，直观地展示数据的分布和趋势。 突出重点信息： 通过对比鲜明的颜色，我们可以突出图表中的重要数据点或区域，引导用户的视觉焦点。 提升图表美观性： 协调的颜色搭配能够提升图表的整体美感，使其更具吸引力，提高用户的阅读兴趣。

6.1 颜色主题与调色板 (Color Palettes)

Seaborn 图形定制与美化：6.1 颜色主题与调色板 (Color Palettes) 详解

6.1.1 颜色在数据可视化中的重要性

颜色不仅仅是装饰，在数据可视化中，它承载着重要的信息编码功能。恰当的颜色选择能够：

  • 区分数据类别： 例如，在散点图中，不同的颜色可以代表不同的数据类别，使观察者能够快速识别和区分。

  • 表现数据大小： 例如，在热力图中，颜色深浅可以映射数据的大小，直观地展示数据的分布和趋势。

  • 突出重点信息： 通过对比鲜明的颜色，我们可以突出图表中的重要数据点或区域，引导用户的视觉焦点。

  • 提升图表美观性： 协调的颜色搭配能够提升图表的整体美感，使其更具吸引力，提高用户的阅读兴趣。

  • 增强信息传达效率： 精心设计的颜色方案能够简化信息的理解过程，使用户更快地从图表中获取有效信息。

反之，不恰当的颜色选择可能会造成误导，降低图表的可读性，甚至完全掩盖数据中的重要信息。因此，掌握 Seaborn 的颜色主题与调色板功能，对于创建有效且美观的数据可视化至关重要。

6.1.2 Seaborn 中的颜色体系：调色板 (Color Palettes)

Seaborn 提供了强大的颜色管理系统，核心概念是 调色板 (Color Palette)。调色板是一组预定义的颜色集合，Seaborn 提供了多种内置调色板，并允许用户自定义调色板。通过使用调色板，我们可以轻松地为图表元素（如线条、柱状图、散点等）赋予颜色，并确保颜色之间的协调性和视觉一致性。

Seaborn 的调色板主要分为三大类：

  • 定性调色板 (Qualitative Palettes)： 也称为分类调色板，适用于表示类别型数据。这类调色板中的颜色彼此之间差异较大，易于区分不同的类别，但颜色之间没有明显的顺序关系。

  • 顺序调色板 (Sequential Palettes)： 适用于表示有序数据或数值型数据，颜色在色相或亮度上呈现连续变化，通常从浅色过渡到深色。这种调色板能够有效地表现数据的顺序和大小关系。

  • 发散调色板 (Diverging Palettes)： 适用于表示数据偏离中心值的情况，通常由两个顺序调色板组合而成，中间颜色通常是中性色，两端颜色分别代表正向和负向偏离。这种调色板能够清晰地展示数据的正负偏差和幅度。

我们可以使用 Seaborn 的 color_palette() 函数来创建和查看调色板。

import seaborn as sns
import matplotlib.pyplot as plt
# 创建并显示默认调色板
current_palette = sns.color_palette()
sns.palplot(current_palette)
plt.show()
​

这段代码会显示 Seaborn 的默认调色板，即 deep 调色板。sns.palplot() 函数可以将调色板以色块的形式可视化展示出来。

6.1.3 定性调色板 (Qualitative Palettes) 详解与实践

定性调色板主要用于区分不同的类别，确保每个类别都有一个清晰可辨的颜色。Seaborn 内置了多种优秀的定性调色板，常用的包括：

  • deep (默认): 饱和度较高，颜色鲜艳，适合大多数场景。

  • muted: 颜色柔和，饱和度较低，更显沉稳内敛。

  • pastel: 淡色系，颜色轻柔，适合清新风格的图表。

  • bright: 明亮鲜艳，颜色对比强烈，适合突出不同类别。

  • dark: 颜色较深，适合深色背景或需要强调对比度的场景。

  • colorblind: 专为色盲用户设计，颜色选择考虑了色盲人群的视觉感知，确保图表的可访问性。

代码实践：不同定性调色板的对比

我们使用一个简单的柱状图来展示不同定性调色板的效果。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
categories = ['A', 'B', 'C', 'D', 'E']
values = np.random.rand(5)
# 定义要测试的定性调色板
qualitative_palettes = ['deep', 'muted', 'pastel', 'bright', 'dark', 'colorblind']
# 循环绘制柱状图，并应用不同的调色板
for palette_name in qualitative_palettes:
    plt.figure(figsize=(8, 5)) # 设置画布大小
    sns.barplot(x=categories, y=values, palette=palette_name) # 使用 barplot 绘制柱状图，并指定调色板
    plt.title(f'Qualitative Palette: {palette_name}') # 设置标题
    plt.show()
​

这段代码会循环遍历 qualitative_palettes 列表中的调色板名称，并使用 sns.barplot() 函数绘制柱状图，通过 palette 参数指定不同的调色板。运行代码后，你会看到六张柱状图，每张图都使用了不同的定性调色板，直观地展示了它们的视觉差异。

Mermaid 图：定性调色板的概念

我们可以使用 Mermaid 的 graph TD 图来形象地表示定性调色板的概念：

这个 Mermaid 图清晰地展示了定性调色板的作用：将不同的类别映射到不同的颜色，颜色之间没有明显的顺序关系，主要目的是区分不同的类别。

6.1.4 顺序调色板 (Sequential Palettes) 详解与实践

顺序调色板适用于表示有序数据或数值型数据，通过颜色的连续变化来映射数据的大小。Seaborn 提供了多种内置的顺序调色板，常用的包括：

  • viridis (默认): 感知均匀性好，色彩范围广，适合大多数数值型数据可视化。

  • plasma: 亮度变化更明显，适合强调数据差异。

  • magma: 深色调为主，适合背景较亮的情况。

  • inferno: 类似 magma，但色彩更偏暖色调。

  • cividis: 专为色盲用户设计，感知均匀性好，色彩对比度高。

  • 灰度调色板 (gray, bone, Greys, Purples, Blues, Greens, Oranges, Reds, YlGnBu, YlGn, GnBu, BuGn, PuBuGn, PuBu, BuPu, RdPu, PuRd, YlOrRd, YlOrBr, OrRd 等): 单色调的顺序调色板，通过亮度的变化来表示数据大小。

代码实践：不同顺序调色板在热力图中的应用

热力图是展示数值型数据的常用图表，非常适合使用顺序调色板。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据 (相关系数矩阵)
np.random.seed(0)
data = np.random.rand(10, 10)
corr_matrix = np.corrcoef(data)
# 定义要测试的顺序调色板
sequential_palettes = ['viridis', 'plasma', 'magma', 'inferno', 'cividis', 'Greys', 'Blues', 'Reds']
# 循环绘制热力图，并应用不同的调色板
for palette_name in sequential_palettes:
    plt.figure(figsize=(8, 6)) # 设置画布大小
    sns.heatmap(corr_matrix, cmap=palette_name, annot=True, fmt=".2f") # 使用 heatmap 绘制热力图，并指定调色板
    plt.title(f'Sequential Palette: {palette_name}') # 设置标题
    plt.show()
​

这段代码会生成一个随机的相关系数矩阵，并使用 sns.heatmap() 函数绘制热力图，通过 cmap 参数指定不同的顺序调色板。annot=True 和 fmt=".2f" 参数用于在热力图上显示数值，并保留两位小数。运行代码后，你会看到不同顺序调色板在热力图中的效果，颜色深浅的变化清晰地反映了相关系数的大小。

Mermaid 图：顺序调色板的概念

这个 Mermaid 图展示了顺序调色板的工作原理：数据值从小到大，颜色从浅色逐渐过渡到深色，颜色之间存在明显的顺序关系，用于表示数据的数值大小。

6.1.5 发散调色板 (Diverging Palettes) 详解与实践

发散调色板适用于表示数据偏离中心值的情况，例如正负相关性、盈亏情况等。发散调色板通常由两个顺序调色板组合而成，中间颜色通常是中性色（如白色或灰色），两端颜色分别代表正向和负向偏离。Seaborn 提供了以下常用的发散调色板：

  • coolwarm: 冷色 (蓝色) 代表负值，暖色 (红色) 代表正值，中间色为白色。

  • RdBu: 红色代表正值，蓝色代表负值，中间色为白色。

  • PiYG: 粉色代表正值，绿色代表负值，中间色为白色。

  • Spectral: 光谱色，颜色变化丰富，适合展示多层次的偏离程度。

代码实践：发散调色板在相关系数矩阵热力图中的应用

相关系数矩阵非常适合使用发散调色板，因为相关系数有正负之分，且中心值 0 代表不相关。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据 (相关系数矩阵)
np.random.seed(1) # 修改随机种子，生成更具发散特性的数据
data = np.random.randn(10, 10) # 使用randn生成正负值数据
corr_matrix = np.corrcoef(data)
# 定义要测试的发散调色板
diverging_palettes = ['coolwarm', 'RdBu', 'PiYG', 'Spectral']
# 循环绘制热力图，并应用不同的调色板
for palette_name in diverging_palettes:
    plt.figure(figsize=(8, 6)) # 设置画布大小
    sns.heatmap(corr_matrix, cmap=palette_name, annot=True, fmt=".2f", center=0) # 使用 heatmap 绘制热力图，并指定调色板和中心值
    plt.title(f'Diverging Palette: {palette_name}') # 设置标题
    plt.show()
​

这段代码与之前的热力图代码类似，但关键在于 center=0 参数的设置。center=0 告诉 Seaborn 将调色板的中心颜色 (通常是白色) 对齐到数值 0，这样正相关系数会显示为暖色 (例如红色)，负相关系数会显示为冷色 (例如蓝色)，清晰地展示了相关性的正负方向。

Mermaid 图：发散调色板的概念

这个 Mermaid 图展示了发散调色板的结构：以中心值为界，向两端发散出两种不同的颜色，用于表示数据相对于中心值的正负偏离。

6.1.6 自定义调色板 (Custom Color Palettes)

除了使用 Seaborn 内置的调色板，我们还可以根据需求自定义调色板。Seaborn 提供了多种方式来创建自定义调色板：

  • 颜色列表 (List of Colors): 最简单的方式是直接提供一个颜色列表给 color_palette() 函数。颜色可以使用颜色名称 (例如 'red', 'blue')，十六进制颜色代码 (例如 '#FF0000', '#0000FF')，RGB 元组 (例如 (1, 0, 0), (0, 0, 1)) 等格式。

    custom_palette = sns.color_palette(['red', 'green', 'blue', '#FFD700']) # 自定义颜色列表
sns.palplot(custom_palette)
plt.show()
​

  • Matplotlib Colormap: Seaborn 可以直接使用 Matplotlib 的 colormap 作为调色板。Matplotlib 提供了丰富的 colormap，可以通过名称字符串传递给 color_palette() 函数。

    cmap_palette = sns.color_palette('viridis', n_colors=10) # 使用 'viridis' colormap，生成 10 种颜色
sns.palplot(cmap_palette)
plt.show()
​

  • husl 和 hls 颜色空间: Seaborn 提供了 husl_palette() 和 hls_palette() 函数，基于 HUSL 和 HLS 颜色空间生成调色板。这两个颜色空间更符合人类的视觉感知，生成的调色板颜色更均匀协调。

    husl_p = sns.husl_palette(n_colors=8) # 使用 HUSL 颜色空间生成 8 种颜色
sns.palplot(husl_p)
plt.show()
hls_p = sns.hls_palette(n_colors=8, l=.5, s=.8) # 使用 HLS 颜色空间，并调整亮度 (l) 和饱和度 (s)
sns.palplot(hls_p)
plt.show()
​

  • xkcd_rgb 颜色名称: Seaborn 支持使用 xkcd 颜色调查中定义的颜色名称，这些名称更具描述性，例如 'xkcd:sky blue', 'xkcd:grass green' 等。

    xkcd_palette = sns.color_palette(['xkcd:sky blue', 'xkcd:grass green', 'xkcd:salmon']) # 使用 xkcd 颜色名称
sns.palplot(xkcd_palette)
plt.show()
​

代码实践：自定义调色板的应用

我们可以将自定义调色板应用到之前的柱状图示例中。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
categories = ['A', 'B', 'C', 'D', 'E']
values = np.random.rand(5)
# 自定义调色板 (使用颜色列表)
my_palette = ['#e74c3c', '#3498db', '#2ecc71', '#f39c12', '#9b59b6'] # 红, 蓝, 绿, 黄, 紫
# 绘制柱状图，并应用自定义调色板
plt.figure(figsize=(8, 5))
sns.barplot(x=categories, y=values, palette=my_palette)
plt.title('Custom Palette Example')
plt.show()
​

这段代码使用了自定义的颜色列表 my_palette，并将其作为 palette 参数传递给 sns.barplot() 函数，柱状图将使用我们自定义的颜色方案。

6.1.7 设置默认调色板 (Setting Default Palettes)

Seaborn 允许我们设置全局默认的调色板，这样在后续的绘图中，如果没有显式指定调色板，Seaborn 将会自动使用默认调色板。我们可以使用 sns.set_palette() 函数来设置默认调色板。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 设置默认调色板为 'pastel'
sns.set_palette('pastel')
# 绘制柱状图，不指定调色板，使用默认调色板
categories = ['A', 'B', 'C']
values = np.random.rand(3)
sns.barplot(x=categories, y=values)
plt.show()
# 绘制散点图，同样使用默认调色板
x = np.random.rand(50)
y = np.random.rand(50)
hue = np.random.choice(['Group 1', 'Group 2', 'Group 3'], size=50) # 添加 hue 分组
sns.scatterplot(x=x, y=y, hue=hue)
plt.show()
# 恢复默认调色板 (可选)
sns.set_palette('deep') # 恢复为 'deep' 调色板
​

这段代码首先使用 sns.set_palette('pastel') 将默认调色板设置为 pastel。然后分别绘制了柱状图和散点图，都没有显式指定 palette 参数，Seaborn 会自动使用我们设置的 pastel 调色板。最后，我们可选地使用 sns.set_palette('deep') 恢复了默认调色板为 deep。

注意: sns.set_palette() 设置的是全局默认调色板，会影响后续所有 Seaborn 图表的颜色。如果只想在单个图表中应用特定的调色板，应该在绘图函数中通过 palette 或 cmap 参数显式指定。

6.1.8 高级调色板技巧：desaturate(), light_palette(), dark_palette()

Seaborn 还提供了一些高级的调色板操作函数，可以帮助我们更精细地控制颜色：

  • sns.desaturate(color, prop): 降低颜色的饱和度。color 参数指定要降低饱和度的颜色，prop 参数指定饱和度降低的比例 (0 到 1 之间，0 表示完全去饱和，1 表示不改变)。

    original_color = 'blue'
desaturated_color = sns.desaturate(original_color, 0.5) # 降低饱和度 50%
print(f"Original color: {original_color}, Desaturated color: {desaturated_color}")
# 应用于调色板
palette = sns.color_palette('deep')
desaturated_palette = [sns.desaturate(c, 0.5) for c in palette] # 对整个调色板进行去饱和
sns.palplot(palette)
sns.palplot(desaturated_palette)
plt.show()
​

  • sns.light_palette(color, n_colors=6, reverse=False, as_cmap=False): 基于单个颜色生成顺序调色板，颜色从白色逐渐过渡到指定的 color。

    light_blue_palette = sns.light_palette('blue', n_colors=8) # 从白色到蓝色的顺序调色板
sns.palplot(light_blue_palette)
plt.show()
​

  • sns.dark_palette(color, n_colors=6, reverse=False, as_cmap=False): 类似于 light_palette()，但颜色从黑色逐渐过渡到指定的 color。

    dark_green_palette = sns.dark_palette('green', n_colors=8) # 从黑色到绿色的顺序调色板
sns.palplot(dark_green_palette)
plt.show()
​

这些高级技巧可以让我们根据具体需求，更灵活地创建和调整调色板，例如创建更柔和的配色方案，或者基于单一颜色生成梯度调色板。

6.1.9 总结

颜色主题与调色板是 Seaborn 图形定制与美化的重要组成部分。理解和掌握 Seaborn 的颜色体系，能够帮助我们创建更有效、更美观的数据可视化图表。

通过灵活运用 Seaborn 提供的颜色工具，我们可以根据数据的类型和可视化目标，选择或定制最合适的颜色方案，从而提升图表的信息传达效率和视觉吸引力，更好地展现数据背后的故事。

希望这篇文章能够帮助你深入理解 Seaborn 的颜色主题与调色板，并在实际的数据可视化工作中灵活应用。 颜色是数据可视化的艺术，让我们一起用好颜色，创造更精彩的数据故事！

发布者: 作者: 转发
评论区 (0)
U
0/500