在數據可視化設計中，不少人可能都會踩入色彩誤區。這個時候，你可能需要了解一些顏色選擇的技巧，以提升數據可視化效果。本篇文章里，作者就做了經驗總結，一起來看看吧，或許可以幫你更好地理解顏色在設計中的作用。

可視化可以提供比查看原始形式的數據更有影響力和直觀的感覺。大量的可視化工具和圖表類型可以幫助以不同的方式傳達數據，其中許多對特定類型的數據特別有用。雖然在選擇可視化類型時可能要花很多心思，但考慮使用的顏色也很重要。

一、色彩的影響

1. 為什么要使用它？

顏色除了讓視覺效果美觀之外，還有其他作用。目的之一是在受制于三維空間的世界中增加立體感。雖然存在高維物體的三維投影，如??tesseract，但這個概念對人類的大腦來說是非常難以理解的。因此，我們不得不發揮一點創造力。允許顏色（ 與大小、形狀等一起 ）以非空間的方式傳達額外的數據維度。

色圖，有時也被稱為調色板，是在一個特定的可視化或一組可視化中，作為一個更廣泛的主題使用的不同顏色值的陣列。僅僅受顯示器可以顯示的顏色數量（ 基于 RGB 顏色模型的約 1680 萬種 ）的限制，并不缺乏不同的可能的色圖。然而，并不是所有的色圖都是數據可視化的可行候選者。例如，下面的熱圖（ x 軸和 y 軸無關）。

Seaborn“選擇調色板”教程中來自 Michael Waskom 所拍攝的照片

教程中是否可以立即看出每種顏色相對于其他顏色所代表的價值？使用完全相同的數據和不同的顏色圖，可以得到以下結果。

Seaborn“選擇調色板”教程中來自 Michael Waskom 所拍攝的照片

教程中即使沒有圖例可以參考（ 為了本示例而特意在兩張圖片中隱瞞了圖例 ），第二張圖片對每個顏色值的相對差異提供了更清晰和直觀的感覺。對于那些好奇的人來說，你可以在 Seaborn 的 “選擇調色板 “教程中查看兩張圖片的并排比較，以及它們的圖例。

以下內容來自作者推薦的鏈接：

色調變化不太適合表示數據。考慮這個例子，我們需要顏色來表示雙變量直方圖中的計數。在左側，我們使用了一個圓形顏色圖，其中每個箱內觀察數量的逐漸變化對應于色調的逐漸變化。在右側，我們使用一個調色板，該調色板使用更亮的顏色來表示具有更大計數的箱：

使用基于色調的調色板，很難確定雙變量分布的形狀。相反，亮度調色板使得存在兩個突出的峰值更加清楚。

變化的亮度有助于查看數據中的結構，并且亮度的變化可以更直觀地處理為重要性的變化。但是右邊的圖沒有使用灰度色圖。它的色彩使它更有趣，微妙的色調變化增加了兩個值之間的感知距離。因此，小的差異稍微容易解決。

2. 色盲人士的色圖

在數據可視化中加入直觀的色圖是一個非常有用的工具，但有一個主要的缺點：對于那些不能區分顏色的人來說，顏色所傳達的信息就會丟失。

總部位于英國的色盲宣傳組織的數據表明，全世界大約有 8% 的男性和 0.5% 的女性有某種形式的 色覺缺陷（CVD）。幸運的是，某些經過科學推導的色彩圖譜已經被創造出來，它們能夠在各種不同類型的色盲中保持可辨識性。下面顯示了幾個這樣的色圖及其相應的 CVD 調整感知。

照片來自 Fabio Crameri、Grace E. Shephard 和 Philip J. Heron 的“科學傳播中的色彩誤用”

除了非 CVD 視力外，這些色圖中的每一個都為不同類型的色覺缺陷（ 包括完全色盲 ）提供了一個合乎邏輯和連續的尺度。相反，使用色圖的視覺效果如果沒有牢記這些信息，就容易給 CVD 讀者帶來困惑。

正如在上面最右邊的色階感知（ 完全色盲 ）中所看到的，使用彩虹顏色貼圖在光譜的相反兩端創建了重復值?？梢姽夤庾V中幾乎所有顏色的色圖都經常被使用，正因如此，應該在很大程度上避免給 CVD 讀者使用。

二、進一步舉例

鑒于顏色和可視化類型都非常多，列出一份詳盡的建議清單來說明如何有目的地選擇顏色是不現實的。下面的例子是為了涵蓋一些 在可視化中使用顏色時最常見的錯誤。

1. 不必要的顏色使用

在某些情況下，顏色的使用會減弱數據可視化的整體價值，因為它在沒有信息的地方傳達了信息。雖然下面的圖表確實使用了科學的、對心血管疾病有利的顏色圖（viridis），但由于 X 軸標簽的存在，其使用是混亂和多余的。如果將條形圖改為單一顏色，去掉圖例，并將 X 軸的標題改為“品牌”，而不是不準確的“mpg”，那么這個圖表就會更容易被理解。

圖片來源：AbdulMajedRaja from programmingwithr.com

為原創作者辯護，這張圖的主要目的是圍繞著操作色圖以適應不同的數據，而不一定是創造一個完全準確的圖表。然而，這是一個通過使用顏色給數據可視化增加不必要維度的典型例子。

2. 非直觀的顏色

語境很重要。以非直觀的方式使用與特定價值觀有強烈關聯的顏色，也會使可視化變得混亂和難以解釋。對于熟悉美國政治的人來說，下面這張 2020 年總統選舉結果的地圖看起來應該很不對勁（ 圖中共和黨是藍色，民主黨是紅色。實則在美國，紅色代表共和黨，藍色代表民主黨 ）：

我使用 270towin.com 創建的照片

這種直覺反應是針對民主黨與藍色、共和黨與紅色的關聯而言的。然而，鑒于圖例，這張地圖在技術上是 100% 準確的。雖然這個具體的例子特別極端，不太可能無意中發生，但這個普遍的問題是在創建可視化時需要考慮的問題。

3. 只有紅色和綠色

許多涉及到對“是”/“否”或“支持”/“反對”問題的信息可視化，都使用了如下圖所示的紅和綠。在西方文化中，考慮到“是”/“支持”/“向上”與綠色，“否”/“反對”/“向下”與紅色的關聯，這些顏色具有直觀的意義（ 附帶說明：這種動態在許多東方文化中是相反的 ）。

然而，由于紅綠色盲是最常見的色覺缺陷，使用這種顏色會嚴重阻礙全球相當一部分人能夠有效地理解可視化。簡單地將顏色圖換成避免心血管疾病相關問題的顏色，就能在不影響可視化質量的情況下提高可訪問性。

照片：Niall McCarthy 來自 Statista（??） – 原始數據來自 YouGovResources

幸運的是，對于數據可視化創建者來說，開源社區已經創建了許多工具和資源，使任務變得更加簡單。下面列出了這些工具和資源中的幾個。

• Matplotlib：最流行的 Python 可視化庫之一，包括許多不同的科學衍生色圖。
• Seaborn：建立在 Matplotlib 之上，這個庫包括一些額外的色圖，并使其他樣式方法變得輕而易舉。
• Colorbrewer：特別關注于制圖可視化，這個網站允許選擇不同色圖，并有過濾選項，只選擇那些對 CVD 安全和/或打印機友好的色圖。
• Fabio Crameri：不同色圖的集合，來自啟發本文的論文作者之一（ 見下文的致謝部分 ）。
• Colorgorical：一個有用的工具，用于創建具有獨特參數的色圖，如感知距離、名稱差異、配對偏好、名稱唯一性等。
• CCC-Tool：一個用于創建和導出具有高級功能的色圖的工具，如指定插值方法、色差指標和優化。

鳴謝：本文的靈感主要來自于 Fabio Crameri、Grace E. Shephard 和 Philip J. Heron 的所著的《科學傳播中色彩的濫用》一文，該文在《自然-通訊》雜志上發布。

對于那些尋求更深入、更科學的方法來解決這個問題的人，我強烈建議閱讀他們的論文。