1. 为什么颜色和风格值得单独拎出来讲很多人学Seaborn的路径都差不多先跑通scatterplot、lineplot、boxplot这几个基础图觉得API挺简单然后就开始往业务里塞。结果图是出来了但要么颜色丑得没法放进汇报材料要么同一份报告里五张图风格各异看起来像五个人做的。更尴尬的是明明数据结论很清晰图一摆出来别人第一眼注意到的却是“这个配色怎么这么刺眼”。这就是我把颜色和风格单独拿出来写一篇的原因。Seaborn真正区别于Matplotlib的地方不只是统计图类型丰富而是它把“视觉决策”这件事系统化了。它内置了几套经过调校的调色板和主题风格让你不用从零去调RGB也能做出能直接放进文档、汇报、论文里的图。这篇内容适合两类人一类是已经会用Seaborn画基础图但图总是“差口气”的另一类是接手了别人的可视化代码想搞清楚set_theme、color_palette、palette参数到底在干什么的。我会把颜色体系、风格体系、二者如何配合、以及实际项目里怎么选按我自己的使用顺序讲一遍。先给一个整体认知Seaborn的视觉控制分两条线一条是颜色color管的是数据映射成什么颜色另一条是风格style管的是背景、网格、边框、字体这些与数据无关的装饰。两条线是正交的可以独立设置也可以一起设置。理解这一点后面所有参数都不会乱。2. Seaborn颜色体系的核心逻辑2.1 三类调色板定性、顺序、发散Seaborn把调色板分成三大类这个分类不是它自己发明的而是数据可视化领域的通用分类但Seaborn把它做成了可以直接调用的函数。**定性调色板Qualitative**用于分类数据类别之间没有大小顺序。比如不同产品线、不同地区、不同实验组。这类调色板的核心要求是颜色之间区分度要高但亮度、饱和度要接近不能出现某个颜色特别抢眼的情况。Seaborn里典型的是deep、muted、pastel、bright、dark、colorblind这几套。**顺序调色板Sequential**用于有大小顺序的数据比如温度、销量、密度。颜色从浅到深或者从深到浅亮度单调变化。Seaborn里以rocket、mako、flare、crest为代表这几个是后来加入的比早期直接借用Matplotlib的viridis、Blues更有辨识度。**发散调色板Diverging**用于有中心点的数据比如增长率正负、温差高于/低于基准、相关系数-1到1。颜色从中心向两端发散中心通常是浅色或中性色。Seaborn里典型的是vlag、icefire。我自己的判断标准很简单先问数据有没有顺序再问有没有中心点。两个都没有用定性有顺序没中心用顺序有顺序有中心用发散。这个判断顺序不能反反了就会出现“用彩虹色表示温度”这种经典错误。2.2 调色板的调用方式与返回值Seaborn里获取调色板最常用的函数是sns.color_palette()。它返回的是一个列表里面是RGB元组。这个返回值可以直接传给Matplotlib的color参数也可以传给Seaborn绘图函数的palette参数。import seaborn as sns import matplotlib.pyplot as plt # 获取默认调色板 palette sns.color_palette() print(palette) # 输出类似[(0.12, 0.47, 0.71), (1.0, 0.5, 0.05), ...] # 获取指定调色板指定颜色数量 palette sns.color_palette(deep, 5) print(len(palette)) # 5这里有个细节值得说当你指定的颜色数量超过调色板本身的数量时Seaborn会自动循环或插值。比如deep本身是10个颜色你要12个它会循环前两个。但如果你要的是顺序调色板比如rocket它会从调色板里均匀采样而不是循环。这个行为差异很重要因为定性调色板循环会导致两个类别颜色相同而顺序调色板采样不会。注意如果你的分类数量超过调色板容量优先换一个容量更大的调色板或者手动指定颜色列表不要依赖自动循环。两个类别颜色一样图就废了。2.3 自定义调色板的三种方式内置调色板不够用的时候有三种自定义方式我按使用频率排序。第一种是基于现有调色板微调。比如你觉得deep不错但想让第一个颜色更饱和一点可以用snsset或者直接改列表。base sns.color_palette(deep, 5) custom [(r, g, b) for r, g, b in base] custom[0] (0.9, 0.2, 0.2) # 把第一个改成红色 sns.palplot(custom)第二种是用blend_palette混合。这个函数可以生成从一种颜色到另一种颜色的渐变适合做顺序调色板。# 从浅蓝到深蓝生成7个颜色 palette sns.blend_palette([#B0D0E8, #08306B], 7) sns.palplot(palette)第三种是用dark_palette或light_palette基于单色生成。这两个函数以一个种子色为基础生成从深到浅或从浅到深的顺序调色板。# 基于一个绿色生成顺序调色板 palette sns.dark_palette(#2E8B57, 6) sns.palplot(palette)我个人的经验是项目里最常用的其实是第二种和第三种。因为业务方经常给一个品牌色要求图表围绕这个色系做这时候dark_palette和blend_palette就非常顺手。第一种微调反而用得少因为微调容易调出“说不上哪里怪”的颜色。3. 风格体系不只是好不好看的问题3.1 五种内置风格的实际差异Seaborn内置了五种风格white、dark、whitegrid、darkgrid、ticks。很多人只知道darkgrid是默认的但不知道这五种风格到底差在哪什么时候该换。我按自己的使用场景给它们排个序风格背景网格适用场景我的使用频率whitegrid白色有汇报、文档、需要打印最高darkgrid灰色有探索性分析、Jupyter里看高white白色无论文、极简风格中ticks白色无但有刻度线需要精确读数的图中dark灰色无深色主题演示低whitegrid和darkgrid的区别不只是背景色。darkgrid的灰色背景在屏幕上看着舒服但打印出来会变成一片灰很费墨而且如果图要放进Word文档灰色背景和白色页面之间会有明显的边界看起来不专业。所以只要图是要放进文档或打印的我一律用whitegrid。white和ticks的区别在于刻度线。ticks会在坐标轴外侧加短刻度线适合需要精确读数的场景比如工程图纸、实验数据。white则完全干净适合追求极简的场合。3.2 set_style与set_theme的区别这是很多人容易混淆的地方。set_style()只控制风格不影响调色板set_theme()同时控制风格、调色板、字体、上下文等多个维度。# 只改风格颜色不变 sns.set_style(whitegrid) # 同时改风格和调色板 sns.set_theme(stylewhitegrid, palettedeep)我现在的习惯是统一用set_theme因为一个项目里风格和颜色通常是一起定的分开设置容易漏。而且set_theme还支持context参数可以一键调整字体大小和线条粗细适配不同输出场景。# 适配论文场景小字体、细线条 sns.set_theme(stylewhite, palettemuted, contextpaper) # 适配汇报场景大字体、粗线条 sns.set_theme(stylewhitegrid, palettedeep, contexttalk)context有四个预设paper、notebook、talk、poster。字号和线条粗细依次递增。这个功能在需要同时输出论文版和汇报版图表时特别省事不用手动调fontsize和linewidth。3.3 风格覆盖与局部调整set_theme是全局设置但有时候你只想让某一张图用不同风格。这时候可以用axes_style上下文管理器。with sns.axes_style(white): plt.figure(figsize(8, 5)) sns.scatterplot(datadf, xx, yy) plt.show() # 退出上下文后全局风格不变这个用法在写函数或类的时候特别有用。比如你封装了一个绘图函数希望它不管外部全局风格是什么都输出统一风格就可以在函数内部用axes_style包一层。提示axes_style只影响风格不影响调色板。如果连调色板也要临时改用plotting_context配合或者直接在绘图函数里指定palette参数。4. 颜色与风格的配合实战4.1 从业务需求反推视觉方案我接过一个需求要在一张图里展示六个地区的季度销售趋势同时用颜色深浅表示同比增长率。这个需求里其实混了两层信息地区是分类增长率是连续值。如果只用一种颜色映射必然有一层信息丢失。我的处理方式是用定性调色板区分地区用顺序调色板映射增长率但两者不放在同一张图里。具体做法是画两张图一张用定性色画趋势线一张用顺序色画增长率热力图。这样每张图只承担一个视觉任务读者不会混淆。如果非要放在一张图里可以用hue映射地区用size或style映射增长率但这样可读性会下降。我的原则是一张图最多承担两个视觉维度超过两个就拆图。4.2 调色板与数据类型的匹配检查在正式画图之前我习惯先做一次匹配检查。这个检查很简单就是问三个问题这个变量是分类还是连续如果是连续有没有自然中心点类别数量是多少根据答案选调色板类型再根据类别数量选具体调色板。比如分类5个类别deep、muted、colorblind都可以colorblind在需要兼顾色觉障碍读者时优先。连续无中心点范围0到100rocket、mako、viridis都可以rocket在深色背景上表现更好。连续有中心点范围-1到1vlag、icefire中心点用浅色两端用对比色。这个检查花不了一分钟但能避免90%的配色返工。4.3 让图表在黑白打印下依然可读很多汇报材料最终会被打印成黑白这时候颜色区分就失效了。我的应对策略是颜色加形状双重编码。sns.scatterplot( datadf, xx, yy, huecategory, stylecategory, palettedeep, s100 )这样即使打印成黑白不同类别也能通过点形状区分。如果是折线图可以用dashes参数让不同线型不同。sns.lineplot( datadf, xx, yy, huecategory, stylecategory, palettedeep, dashesTrue )这个技巧我从一次惨痛经历里学来的当时做了二十页彩色图表结果会议室打印机只有黑白所有图看起来都一样汇报效果大打折扣。从那以后只要图有可能被打印我一定加形状或线型编码。5. 常见问题与排查技巧实录5.1 颜色不生效的几种原因这是被问得最多的问题“我设置了palette但图还是默认颜色。”原因通常有这几个第一种palette参数名写错或位置不对。Seaborn不同绘图函数的参数名不完全一致scatterplot用paletteboxplot也用palette但heatmap用的是cmap。写错了不会报错只是被忽略。第二种hue没有设置。palette只有在有hue映射时才生效。如果你只画单色图palette不起作用要用color参数。第三种全局主题覆盖了局部设置。如果你在set_theme之后又调用了set_palette后者会覆盖前者。检查一下代码顺序。第四种Matplotlib的rcParams被其他代码改了。这种情况在Jupyter里常见因为notebook是顺序执行的前面的代码可能改了全局配置。重启内核或者显式重置可以解决。5.2 调色板数量不够用的处理当类别数超过调色板容量时有三个处理方式我按推荐顺序排换容量更大的调色板。hls可以生成任意数量的颜色但颜色质量参差不齐。husl更好但需要额外安装。手动指定颜色列表。从多个调色板里挑颜色拼起来或者用在线工具生成。合并小类别。如果类别太多本身就应该考虑合并而不是硬塞颜色。我一般优先考虑第三种因为类别太多本身就是数据问题不是可视化问题。把占比小于5%的类别合并成“其他”图会清晰很多。5.3 风格设置后字体乱码的处理设置风格后中文字体变成方框这是Matplotlib的经典问题。Seaborn的风格设置会重置字体配置导致中文字体失效。解决方法是在set_theme之后重新指定中文字体。sns.set_theme(stylewhitegrid, palettedeep) plt.rcParams[font.sans-serif] [SimHei] # 指定中文字体 plt.rcParams[axes.unicode_minus] False # 解决负号显示问题注意axes.unicode_minus这一行不设置的话负号也会变成方框。这个坑我踩过不止一次每次换环境都要重新设一遍。5.4 常见问题速查表问题现象可能原因解决方法颜色不生效hue未设置设置hue或改用color参数颜色不生效参数名错误检查是palette还是cmap颜色循环重复类别数超过调色板容量换大容量调色板或合并类别中文字体变方框风格设置重置了字体重新指定font.sans-serif负号变方框unicode_minus未设置设置axes.unicode_minusFalse打印后背景灰用了darkgrid改用whitegrid或white图在文档里太小context未调整用contexttalk或poster6. 我个人的调色与风格工作流6.1 项目开始时的视觉规范设定每个项目开始我会先花十分钟定一个视觉规范写在一个单独的配置文件或notebook单元格里。这个规范包括主调色板、辅助调色板、风格、上下文、字体。之后所有图都从这个规范出发保证一致性。# visual_config.py import seaborn as sns import matplotlib.pyplot as plt PRIMARY_PALETTE deep SEQUENTIAL_PALETTE rocket DIVERGING_PALETTE vlag STYLE whitegrid CONTEXT notebook def setup(): sns.set_theme(styleSTYLE, palettePRIMARY_PALETTE, contextCONTEXT) plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False这个文件在项目里被反复导入所有绘图函数都调用setup()。这样即使换了环境只要这个文件在图就是一致的。6.2 快速预览调色板的技巧选调色板的时候我习惯先用palplot快速看一眼而不是直接画图。palplot会把调色板画成色块一眼就能看出颜色分布是否均匀、有没有特别刺眼的颜色。sns.palplot(sns.color_palette(deep, 8)) sns.palplot(sns.color_palette(rocket, 8)) sns.palplot(sns.color_palette(vlag, 8)) plt.show()这个习惯帮我省了很多时间。有时候调色板名字看着不错但palplot一看就发现某个颜色太跳直接换掉不用等到画完图才发现。6.3 从现有图表反推调色板接手别人代码的时候经常遇到“图很好看但不知道用了什么调色板”的情况。这时候可以用palplot配合肉眼比对或者直接看代码里的palette参数。如果代码里没有显式设置那就是用了全局默认查一下set_theme或set_palette的调用即可。还有一种情况是图是从图片里截的没有代码。这时候可以用取色工具取几个主要颜色然后用blend_palette或手动构造一个近似调色板。虽然不能完全一致但风格上能接近。7. 颜色风格之外还需要注意什么7.1 颜色不是越多越好我见过很多图用了十几种颜色结果读者根本分不清哪个是哪个。颜色数量应该和类别数量匹配但类别数量本身应该受控。如果类别超过8个就应该考虑用分面FacetGrid或者小多图small multiples而不是硬塞颜色。分面的好处是每个子图只用一种颜色读者注意力集中在数据形状上而不是颜色区分上。Seaborn的FacetGrid和relplot的col、row参数可以很方便地实现分面。7.2 颜色要与语义一致如果数据里有“增长/下降”“盈利/亏损”这种语义颜色应该和语义一致。增长用绿色或蓝色下降用红色或橙色。如果反过来读者会产生认知冲突。Seaborn的发散调色板vlag和icefire默认就是这种语义一端暖色一端冷色中心浅色。用这两个调色板的时候注意数据的正负方向要和调色板方向一致。如果反了可以用_r后缀反转比如vlag_r。7.3 风格要服务于内容风格不是越花哨越好。darkgrid在探索阶段好用因为网格帮助读数但到了汇报阶段whitegrid或white更合适因为背景干净数据突出。ticks适合需要精确读数的工程图但不适合展示趋势。我的原则是探索阶段用darkgrid汇报阶段用whitegrid论文阶段用white或ticks。这个对应关系不是绝对的但能覆盖大部分场景。7.4 保存图表时的参数设置最后一步是保存。savefig有几个参数直接影响输出质量plt.savefig( figure.png, dpi300, # 分辨率打印用300屏幕用150 bbox_inchestight, # 去掉多余白边 facecolorwhite, # 背景色避免透明背景打印变黑 edgecolornone )bbox_inchestight特别重要不加的话图周围会有一圈白边放进文档里很难对齐。facecolorwhite在用了darkgrid风格时尤其重要不然保存的图背景是灰的但透明区域在Word里可能变成黑色。注意如果图要放进LaTeX文档建议保存为PDF格式矢量图放大不失真。savefig(figure.pdf, bbox_inchestight)即可。8. 一个完整的颜色风格配置示例把前面讲的串起来给一个完整的配置示例。这个示例可以直接复制到项目里用。import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 1. 全局配置 sns.set_theme( stylewhitegrid, palettedeep, contextnotebook, fontSimHei ) plt.rcParams[axes.unicode_minus] False # 2. 准备数据 np.random.seed(42) df pd.DataFrame({ month: list(range(1, 13)) * 3, sales: np.random.randint(100, 500, 36), region: [华东] * 12 [华南] * 12 [华北] * 12 }) # 3. 定性调色板分类数据 plt.figure(figsize(10, 5)) sns.lineplot( datadf, xmonth, ysales, hueregion, styleregion, palettedeep, dashesFalse, markersTrue, linewidth2 ) plt.title(各地区月度销售趋势) plt.savefig(trend.png, dpi300, bbox_inchestight, facecolorwhite) plt.show() # 4. 顺序调色板连续数据 plt.figure(figsize(8, 6)) pivot df.pivot(indexregion, columnsmonth, valuessales) sns.heatmap( pivot, cmaprocket, annotTrue, fmtd, linewidths0.5 ) plt.title(地区月度销售热力图) plt.savefig(heatmap.png, dpi300, bbox_inchestight, facecolorwhite) plt.show() # 5. 发散调色板有中心点的数据 df[growth] df[sales] - 300 # 以300为基准 plt.figure(figsize(10, 5)) sns.barplot( datadf, xmonth, ygrowth, hueregion, palettevlag, dodgeTrue ) plt.axhline(0, colorblack, linewidth0.8) plt.title(各地区月度增长基准300) plt.savefig(growth.png, dpi300, bbox_inchestight, facecolorwhite) plt.show()这个示例里三张图分别用了定性、顺序、发散三种调色板风格统一为whitegrid字体统一为黑体保存参数一致。这样出来的图放在同一份报告里视觉上是一套的。9. 几个容易被忽略的细节9.1 调色板的透明度控制Seaborn的绘图函数大多支持alpha参数控制透明度。透明度在重叠点很多的时候特别有用可以让读者看到密度分布。但透明度也会让颜色变淡如果调色板本身颜色就浅加透明度后可能看不清。我的经验是定性调色板加透明度要谨慎顺序调色板加透明度效果通常不错。因为顺序调色板本身有明暗变化透明度不会破坏这种变化反而能增强层次感。9.2 颜色与图例的对应关系图例是读者理解颜色的关键。Seaborn默认会把hue的图例放在合适的位置但有时候会挡住数据。可以用plt.legend()手动调整位置。plt.legend( bbox_to_anchor(1.05, 1), locupper left, borderaxespad0 )这个设置把图例放到图外面右侧适合类别较多的情况。如果类别少放图内也可以但要注意不要挡住数据点。9.3 深色背景下的调色板选择如果演示环境是深色背景比如某些会议室的投影whitegrid风格会显得刺眼。这时候可以用dark风格配合亮色调色板。sns.set_theme(styledark, palettebright)但要注意深色背景下的图保存成图片后放进白色文档里会很突兀。所以深色风格只适合现场演示不适合文档输出。如果既要现场演示又要文档输出建议做两个版本。9.4 调色板的色觉障碍友好性colorblind调色板是专门为色觉障碍读者设计的颜色区分度高红绿色盲也能分辨。如果图的受众不确定或者需要满足无障碍要求优先用colorblind。sns.set_theme(stylewhitegrid, palettecolorblind)这个调色板的颜色比deep稍微暗一些但区分度更好。我现在的默认选择就是colorblind除非有特殊需求才换。10. 从颜色风格延伸到整体视觉一致性颜色和风格只是视觉一致性的一部分。真正要做到“一套图看起来是一套”还需要注意坐标轴范围、标题位置、图例样式、标注格式这些细节。但这些细节太多太碎不适合在一篇里全讲完。我的做法是把视觉规范写成一个函数库每个项目复用。函数库里封装了常用的绘图函数每个函数内部已经设好了颜色、风格、字体、保存参数。这样调用的时候只需要传数据不用每次重复设置。# viz_lib.py def plot_trend(df, x, y, hue, title, filename): sns.set_theme(stylewhitegrid, palettecolorblind, contextnotebook) plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False plt.figure(figsize(10, 5)) sns.lineplot(datadf, xx, yy, huehue, stylehue, markersTrue) plt.title(title) plt.savefig(filename, dpi300, bbox_inchestight, facecolorwhite) plt.close()这个函数库随着项目积累会越来越丰富后面做新项目的时候直接调用就行不用从零开始。这也是我从“每次画图都重新调”到“一次配置到处复用”的转变过程。颜色和风格这件事说大不大说小不小。它不会影响数据结论的正确性但会影响结论的传达效率。一张配色混乱的图读者要花额外精力去理解一张配色清晰的图读者一眼就能抓住重点。这个差别在单张图上不明显但在几十张图的报告里就是专业和业余的分界线。
1. 为什么颜色和风格值得单独拎出来讲很多人学Seaborn的路径都差不多先跑通scatterplot、lineplot、boxplot这几个基础图觉得API挺简单然后就开始往业务里塞。结果图是出来了但要么颜色丑得没法放进汇报材料要么同一份报告里五张图风格各异看起来像五个人做的。更尴尬的是明明数据结论很清晰图一摆出来别人第一眼注意到的却是“这个配色怎么这么刺眼”。这就是我把颜色和风格单独拿出来写一篇的原因。Seaborn真正区别于Matplotlib的地方不只是统计图类型丰富而是它把“视觉决策”这件事系统化了。它内置了几套经过调校的调色板和主题风格让你不用从零去调RGB也能做出能直接放进文档、汇报、论文里的图。这篇内容适合两类人一类是已经会用Seaborn画基础图但图总是“差口气”的另一类是接手了别人的可视化代码想搞清楚set_theme、color_palette、palette参数到底在干什么的。我会把颜色体系、风格体系、二者如何配合、以及实际项目里怎么选按我自己的使用顺序讲一遍。先给一个整体认知Seaborn的视觉控制分两条线一条是颜色color管的是数据映射成什么颜色另一条是风格style管的是背景、网格、边框、字体这些与数据无关的装饰。两条线是正交的可以独立设置也可以一起设置。理解这一点后面所有参数都不会乱。2. Seaborn颜色体系的核心逻辑2.1 三类调色板定性、顺序、发散Seaborn把调色板分成三大类这个分类不是它自己发明的而是数据可视化领域的通用分类但Seaborn把它做成了可以直接调用的函数。**定性调色板Qualitative**用于分类数据类别之间没有大小顺序。比如不同产品线、不同地区、不同实验组。这类调色板的核心要求是颜色之间区分度要高但亮度、饱和度要接近不能出现某个颜色特别抢眼的情况。Seaborn里典型的是deep、muted、pastel、bright、dark、colorblind这几套。**顺序调色板Sequential**用于有大小顺序的数据比如温度、销量、密度。颜色从浅到深或者从深到浅亮度单调变化。Seaborn里以rocket、mako、flare、crest为代表这几个是后来加入的比早期直接借用Matplotlib的viridis、Blues更有辨识度。**发散调色板Diverging**用于有中心点的数据比如增长率正负、温差高于/低于基准、相关系数-1到1。颜色从中心向两端发散中心通常是浅色或中性色。Seaborn里典型的是vlag、icefire。我自己的判断标准很简单先问数据有没有顺序再问有没有中心点。两个都没有用定性有顺序没中心用顺序有顺序有中心用发散。这个判断顺序不能反反了就会出现“用彩虹色表示温度”这种经典错误。2.2 调色板的调用方式与返回值Seaborn里获取调色板最常用的函数是sns.color_palette()。它返回的是一个列表里面是RGB元组。这个返回值可以直接传给Matplotlib的color参数也可以传给Seaborn绘图函数的palette参数。import seaborn as sns import matplotlib.pyplot as plt # 获取默认调色板 palette sns.color_palette() print(palette) # 输出类似[(0.12, 0.47, 0.71), (1.0, 0.5, 0.05), ...] # 获取指定调色板指定颜色数量 palette sns.color_palette(deep, 5) print(len(palette)) # 5这里有个细节值得说当你指定的颜色数量超过调色板本身的数量时Seaborn会自动循环或插值。比如deep本身是10个颜色你要12个它会循环前两个。但如果你要的是顺序调色板比如rocket它会从调色板里均匀采样而不是循环。这个行为差异很重要因为定性调色板循环会导致两个类别颜色相同而顺序调色板采样不会。注意如果你的分类数量超过调色板容量优先换一个容量更大的调色板或者手动指定颜色列表不要依赖自动循环。两个类别颜色一样图就废了。2.3 自定义调色板的三种方式内置调色板不够用的时候有三种自定义方式我按使用频率排序。第一种是基于现有调色板微调。比如你觉得deep不错但想让第一个颜色更饱和一点可以用snsset或者直接改列表。base sns.color_palette(deep, 5) custom [(r, g, b) for r, g, b in base] custom[0] (0.9, 0.2, 0.2) # 把第一个改成红色 sns.palplot(custom)第二种是用blend_palette混合。这个函数可以生成从一种颜色到另一种颜色的渐变适合做顺序调色板。# 从浅蓝到深蓝生成7个颜色 palette sns.blend_palette([#B0D0E8, #08306B], 7) sns.palplot(palette)第三种是用dark_palette或light_palette基于单色生成。这两个函数以一个种子色为基础生成从深到浅或从浅到深的顺序调色板。# 基于一个绿色生成顺序调色板 palette sns.dark_palette(#2E8B57, 6) sns.palplot(palette)我个人的经验是项目里最常用的其实是第二种和第三种。因为业务方经常给一个品牌色要求图表围绕这个色系做这时候dark_palette和blend_palette就非常顺手。第一种微调反而用得少因为微调容易调出“说不上哪里怪”的颜色。3. 风格体系不只是好不好看的问题3.1 五种内置风格的实际差异Seaborn内置了五种风格white、dark、whitegrid、darkgrid、ticks。很多人只知道darkgrid是默认的但不知道这五种风格到底差在哪什么时候该换。我按自己的使用场景给它们排个序风格背景网格适用场景我的使用频率whitegrid白色有汇报、文档、需要打印最高darkgrid灰色有探索性分析、Jupyter里看高white白色无论文、极简风格中ticks白色无但有刻度线需要精确读数的图中dark灰色无深色主题演示低whitegrid和darkgrid的区别不只是背景色。darkgrid的灰色背景在屏幕上看着舒服但打印出来会变成一片灰很费墨而且如果图要放进Word文档灰色背景和白色页面之间会有明显的边界看起来不专业。所以只要图是要放进文档或打印的我一律用whitegrid。white和ticks的区别在于刻度线。ticks会在坐标轴外侧加短刻度线适合需要精确读数的场景比如工程图纸、实验数据。white则完全干净适合追求极简的场合。3.2 set_style与set_theme的区别这是很多人容易混淆的地方。set_style()只控制风格不影响调色板set_theme()同时控制风格、调色板、字体、上下文等多个维度。# 只改风格颜色不变 sns.set_style(whitegrid) # 同时改风格和调色板 sns.set_theme(stylewhitegrid, palettedeep)我现在的习惯是统一用set_theme因为一个项目里风格和颜色通常是一起定的分开设置容易漏。而且set_theme还支持context参数可以一键调整字体大小和线条粗细适配不同输出场景。# 适配论文场景小字体、细线条 sns.set_theme(stylewhite, palettemuted, contextpaper) # 适配汇报场景大字体、粗线条 sns.set_theme(stylewhitegrid, palettedeep, contexttalk)context有四个预设paper、notebook、talk、poster。字号和线条粗细依次递增。这个功能在需要同时输出论文版和汇报版图表时特别省事不用手动调fontsize和linewidth。3.3 风格覆盖与局部调整set_theme是全局设置但有时候你只想让某一张图用不同风格。这时候可以用axes_style上下文管理器。with sns.axes_style(white): plt.figure(figsize(8, 5)) sns.scatterplot(datadf, xx, yy) plt.show() # 退出上下文后全局风格不变这个用法在写函数或类的时候特别有用。比如你封装了一个绘图函数希望它不管外部全局风格是什么都输出统一风格就可以在函数内部用axes_style包一层。提示axes_style只影响风格不影响调色板。如果连调色板也要临时改用plotting_context配合或者直接在绘图函数里指定palette参数。4. 颜色与风格的配合实战4.1 从业务需求反推视觉方案我接过一个需求要在一张图里展示六个地区的季度销售趋势同时用颜色深浅表示同比增长率。这个需求里其实混了两层信息地区是分类增长率是连续值。如果只用一种颜色映射必然有一层信息丢失。我的处理方式是用定性调色板区分地区用顺序调色板映射增长率但两者不放在同一张图里。具体做法是画两张图一张用定性色画趋势线一张用顺序色画增长率热力图。这样每张图只承担一个视觉任务读者不会混淆。如果非要放在一张图里可以用hue映射地区用size或style映射增长率但这样可读性会下降。我的原则是一张图最多承担两个视觉维度超过两个就拆图。4.2 调色板与数据类型的匹配检查在正式画图之前我习惯先做一次匹配检查。这个检查很简单就是问三个问题这个变量是分类还是连续如果是连续有没有自然中心点类别数量是多少根据答案选调色板类型再根据类别数量选具体调色板。比如分类5个类别deep、muted、colorblind都可以colorblind在需要兼顾色觉障碍读者时优先。连续无中心点范围0到100rocket、mako、viridis都可以rocket在深色背景上表现更好。连续有中心点范围-1到1vlag、icefire中心点用浅色两端用对比色。这个检查花不了一分钟但能避免90%的配色返工。4.3 让图表在黑白打印下依然可读很多汇报材料最终会被打印成黑白这时候颜色区分就失效了。我的应对策略是颜色加形状双重编码。sns.scatterplot( datadf, xx, yy, huecategory, stylecategory, palettedeep, s100 )这样即使打印成黑白不同类别也能通过点形状区分。如果是折线图可以用dashes参数让不同线型不同。sns.lineplot( datadf, xx, yy, huecategory, stylecategory, palettedeep, dashesTrue )这个技巧我从一次惨痛经历里学来的当时做了二十页彩色图表结果会议室打印机只有黑白所有图看起来都一样汇报效果大打折扣。从那以后只要图有可能被打印我一定加形状或线型编码。5. 常见问题与排查技巧实录5.1 颜色不生效的几种原因这是被问得最多的问题“我设置了palette但图还是默认颜色。”原因通常有这几个第一种palette参数名写错或位置不对。Seaborn不同绘图函数的参数名不完全一致scatterplot用paletteboxplot也用palette但heatmap用的是cmap。写错了不会报错只是被忽略。第二种hue没有设置。palette只有在有hue映射时才生效。如果你只画单色图palette不起作用要用color参数。第三种全局主题覆盖了局部设置。如果你在set_theme之后又调用了set_palette后者会覆盖前者。检查一下代码顺序。第四种Matplotlib的rcParams被其他代码改了。这种情况在Jupyter里常见因为notebook是顺序执行的前面的代码可能改了全局配置。重启内核或者显式重置可以解决。5.2 调色板数量不够用的处理当类别数超过调色板容量时有三个处理方式我按推荐顺序排换容量更大的调色板。hls可以生成任意数量的颜色但颜色质量参差不齐。husl更好但需要额外安装。手动指定颜色列表。从多个调色板里挑颜色拼起来或者用在线工具生成。合并小类别。如果类别太多本身就应该考虑合并而不是硬塞颜色。我一般优先考虑第三种因为类别太多本身就是数据问题不是可视化问题。把占比小于5%的类别合并成“其他”图会清晰很多。5.3 风格设置后字体乱码的处理设置风格后中文字体变成方框这是Matplotlib的经典问题。Seaborn的风格设置会重置字体配置导致中文字体失效。解决方法是在set_theme之后重新指定中文字体。sns.set_theme(stylewhitegrid, palettedeep) plt.rcParams[font.sans-serif] [SimHei] # 指定中文字体 plt.rcParams[axes.unicode_minus] False # 解决负号显示问题注意axes.unicode_minus这一行不设置的话负号也会变成方框。这个坑我踩过不止一次每次换环境都要重新设一遍。5.4 常见问题速查表问题现象可能原因解决方法颜色不生效hue未设置设置hue或改用color参数颜色不生效参数名错误检查是palette还是cmap颜色循环重复类别数超过调色板容量换大容量调色板或合并类别中文字体变方框风格设置重置了字体重新指定font.sans-serif负号变方框unicode_minus未设置设置axes.unicode_minusFalse打印后背景灰用了darkgrid改用whitegrid或white图在文档里太小context未调整用contexttalk或poster6. 我个人的调色与风格工作流6.1 项目开始时的视觉规范设定每个项目开始我会先花十分钟定一个视觉规范写在一个单独的配置文件或notebook单元格里。这个规范包括主调色板、辅助调色板、风格、上下文、字体。之后所有图都从这个规范出发保证一致性。# visual_config.py import seaborn as sns import matplotlib.pyplot as plt PRIMARY_PALETTE deep SEQUENTIAL_PALETTE rocket DIVERGING_PALETTE vlag STYLE whitegrid CONTEXT notebook def setup(): sns.set_theme(styleSTYLE, palettePRIMARY_PALETTE, contextCONTEXT) plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False这个文件在项目里被反复导入所有绘图函数都调用setup()。这样即使换了环境只要这个文件在图就是一致的。6.2 快速预览调色板的技巧选调色板的时候我习惯先用palplot快速看一眼而不是直接画图。palplot会把调色板画成色块一眼就能看出颜色分布是否均匀、有没有特别刺眼的颜色。sns.palplot(sns.color_palette(deep, 8)) sns.palplot(sns.color_palette(rocket, 8)) sns.palplot(sns.color_palette(vlag, 8)) plt.show()这个习惯帮我省了很多时间。有时候调色板名字看着不错但palplot一看就发现某个颜色太跳直接换掉不用等到画完图才发现。6.3 从现有图表反推调色板接手别人代码的时候经常遇到“图很好看但不知道用了什么调色板”的情况。这时候可以用palplot配合肉眼比对或者直接看代码里的palette参数。如果代码里没有显式设置那就是用了全局默认查一下set_theme或set_palette的调用即可。还有一种情况是图是从图片里截的没有代码。这时候可以用取色工具取几个主要颜色然后用blend_palette或手动构造一个近似调色板。虽然不能完全一致但风格上能接近。7. 颜色风格之外还需要注意什么7.1 颜色不是越多越好我见过很多图用了十几种颜色结果读者根本分不清哪个是哪个。颜色数量应该和类别数量匹配但类别数量本身应该受控。如果类别超过8个就应该考虑用分面FacetGrid或者小多图small multiples而不是硬塞颜色。分面的好处是每个子图只用一种颜色读者注意力集中在数据形状上而不是颜色区分上。Seaborn的FacetGrid和relplot的col、row参数可以很方便地实现分面。7.2 颜色要与语义一致如果数据里有“增长/下降”“盈利/亏损”这种语义颜色应该和语义一致。增长用绿色或蓝色下降用红色或橙色。如果反过来读者会产生认知冲突。Seaborn的发散调色板vlag和icefire默认就是这种语义一端暖色一端冷色中心浅色。用这两个调色板的时候注意数据的正负方向要和调色板方向一致。如果反了可以用_r后缀反转比如vlag_r。7.3 风格要服务于内容风格不是越花哨越好。darkgrid在探索阶段好用因为网格帮助读数但到了汇报阶段whitegrid或white更合适因为背景干净数据突出。ticks适合需要精确读数的工程图但不适合展示趋势。我的原则是探索阶段用darkgrid汇报阶段用whitegrid论文阶段用white或ticks。这个对应关系不是绝对的但能覆盖大部分场景。7.4 保存图表时的参数设置最后一步是保存。savefig有几个参数直接影响输出质量plt.savefig( figure.png, dpi300, # 分辨率打印用300屏幕用150 bbox_inchestight, # 去掉多余白边 facecolorwhite, # 背景色避免透明背景打印变黑 edgecolornone )bbox_inchestight特别重要不加的话图周围会有一圈白边放进文档里很难对齐。facecolorwhite在用了darkgrid风格时尤其重要不然保存的图背景是灰的但透明区域在Word里可能变成黑色。注意如果图要放进LaTeX文档建议保存为PDF格式矢量图放大不失真。savefig(figure.pdf, bbox_inchestight)即可。8. 一个完整的颜色风格配置示例把前面讲的串起来给一个完整的配置示例。这个示例可以直接复制到项目里用。import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 1. 全局配置 sns.set_theme( stylewhitegrid, palettedeep, contextnotebook, fontSimHei ) plt.rcParams[axes.unicode_minus] False # 2. 准备数据 np.random.seed(42) df pd.DataFrame({ month: list(range(1, 13)) * 3, sales: np.random.randint(100, 500, 36), region: [华东] * 12 [华南] * 12 [华北] * 12 }) # 3. 定性调色板分类数据 plt.figure(figsize(10, 5)) sns.lineplot( datadf, xmonth, ysales, hueregion, styleregion, palettedeep, dashesFalse, markersTrue, linewidth2 ) plt.title(各地区月度销售趋势) plt.savefig(trend.png, dpi300, bbox_inchestight, facecolorwhite) plt.show() # 4. 顺序调色板连续数据 plt.figure(figsize(8, 6)) pivot df.pivot(indexregion, columnsmonth, valuessales) sns.heatmap( pivot, cmaprocket, annotTrue, fmtd, linewidths0.5 ) plt.title(地区月度销售热力图) plt.savefig(heatmap.png, dpi300, bbox_inchestight, facecolorwhite) plt.show() # 5. 发散调色板有中心点的数据 df[growth] df[sales] - 300 # 以300为基准 plt.figure(figsize(10, 5)) sns.barplot( datadf, xmonth, ygrowth, hueregion, palettevlag, dodgeTrue ) plt.axhline(0, colorblack, linewidth0.8) plt.title(各地区月度增长基准300) plt.savefig(growth.png, dpi300, bbox_inchestight, facecolorwhite) plt.show()这个示例里三张图分别用了定性、顺序、发散三种调色板风格统一为whitegrid字体统一为黑体保存参数一致。这样出来的图放在同一份报告里视觉上是一套的。9. 几个容易被忽略的细节9.1 调色板的透明度控制Seaborn的绘图函数大多支持alpha参数控制透明度。透明度在重叠点很多的时候特别有用可以让读者看到密度分布。但透明度也会让颜色变淡如果调色板本身颜色就浅加透明度后可能看不清。我的经验是定性调色板加透明度要谨慎顺序调色板加透明度效果通常不错。因为顺序调色板本身有明暗变化透明度不会破坏这种变化反而能增强层次感。9.2 颜色与图例的对应关系图例是读者理解颜色的关键。Seaborn默认会把hue的图例放在合适的位置但有时候会挡住数据。可以用plt.legend()手动调整位置。plt.legend( bbox_to_anchor(1.05, 1), locupper left, borderaxespad0 )这个设置把图例放到图外面右侧适合类别较多的情况。如果类别少放图内也可以但要注意不要挡住数据点。9.3 深色背景下的调色板选择如果演示环境是深色背景比如某些会议室的投影whitegrid风格会显得刺眼。这时候可以用dark风格配合亮色调色板。sns.set_theme(styledark, palettebright)但要注意深色背景下的图保存成图片后放进白色文档里会很突兀。所以深色风格只适合现场演示不适合文档输出。如果既要现场演示又要文档输出建议做两个版本。9.4 调色板的色觉障碍友好性colorblind调色板是专门为色觉障碍读者设计的颜色区分度高红绿色盲也能分辨。如果图的受众不确定或者需要满足无障碍要求优先用colorblind。sns.set_theme(stylewhitegrid, palettecolorblind)这个调色板的颜色比deep稍微暗一些但区分度更好。我现在的默认选择就是colorblind除非有特殊需求才换。10. 从颜色风格延伸到整体视觉一致性颜色和风格只是视觉一致性的一部分。真正要做到“一套图看起来是一套”还需要注意坐标轴范围、标题位置、图例样式、标注格式这些细节。但这些细节太多太碎不适合在一篇里全讲完。我的做法是把视觉规范写成一个函数库每个项目复用。函数库里封装了常用的绘图函数每个函数内部已经设好了颜色、风格、字体、保存参数。这样调用的时候只需要传数据不用每次重复设置。# viz_lib.py def plot_trend(df, x, y, hue, title, filename): sns.set_theme(stylewhitegrid, palettecolorblind, contextnotebook) plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False plt.figure(figsize(10, 5)) sns.lineplot(datadf, xx, yy, huehue, stylehue, markersTrue) plt.title(title) plt.savefig(filename, dpi300, bbox_inchestight, facecolorwhite) plt.close()这个函数库随着项目积累会越来越丰富后面做新项目的时候直接调用就行不用从零开始。这也是我从“每次画图都重新调”到“一次配置到处复用”的转变过程。颜色和风格这件事说大不大说小不小。它不会影响数据结论的正确性但会影响结论的传达效率。一张配色混乱的图读者要花额外精力去理解一张配色清晰的图读者一眼就能抓住重点。这个差别在单张图上不明显但在几十张图的报告里就是专业和业余的分界线。
