终于有人把 数据可视化配色 讲明白了！

在数据可视化中使用配色应该是帮助传播关键发现，而不是成为某种艺术创作的一个环节。

在应该使用配色的时候使用，而不是在可以使用的时候使用配色

颜色的使用应该仔细斟酌，以传达关键的发现，因此，这一决定不能留给自动算法来做出。 大多数数据应该是中性颜色，如灰色，保留鲜艳的颜色以将注意力引向重要或非典型的数据点。

1991-1996年的销售额(百万美元)。 红色被用来引起人们对1995年异常低迷的销售的关注。 其他没有明显销售额变化的年份都是灰色的。

利用颜色对相关数据点进行分组

颜色可用于对相似值的数据点进行分组，并使用以下两个调色面板呈现这种相似性的程度：

顺序调色板由均匀饱和度的单一色调的不同强度组成。 相邻颜色的亮度变化对应于它们用于渲染的数据值的变化。

发散调色板 是由两个连续的调色板(每个调色板具有不同的色调)相互堆叠而成，中间有一个拐点。 在可视化具有两个不同方向变化的数据时，这种调色板非常有用。

下面左边的图表使用由单一色调(绿色)组成的顺序调色板来表示范围从-0.25到+0.25的值，而右边的图表使用不同色调的调色板来表示正值(蓝色)和负值(红色)。

2010-2019年美国人口的百分比变化。 由两个色调（拐点为零）的红色（蓝色）构成的发散配色方案比顺序配色方案更合适。

在右侧的地图中，仅根据颜色就可以立即识别正值和负值。 我们可以立即得出结论，中西部和南部城镇的人口减少了，东部和西岸的人口增加了。 这种对数据的关键洞察在左边的图表中并不是立竿见影的，不能用颜色本身来区分，而是必须使用绿色的强度来阅读地图。

对不相关的数据使用分类颜色

分类调色板来自不同色调但饱和度和强度相同的颜色，可用于具有完全不同来源或不相关值的不相关数据点的可视化。

顺序和发散调色板应用于通过编码定性值来呈现大小的变化，而分类调色板应用于通过编码量化值来呈现不相关的数据类别。

对数据项进行归类

虽然使用不同的颜色可以帮助区分不同的数据点，但一张图表最多只能包含6-8个不同的颜色类别，以便每个类别都容易区分。

前15个国家/地区服务的卫星数量

15个国家都使用不同的颜色，使得左边的图表难以阅读，特别是对于卫星较少的国家。 而右边的图表可读性更好，代价是丢失了卫星较少国家的信息，所有这些信息都被归类在“其他”中。

请注意，我们在这里使用了分类配色方案，因为每个国家/地区的数据完全不相关。 例如，印度的卫星数量完全独立于法国的卫星数量。

改变图表类型通常可以减少对颜色的需求

在前面的示例中，饼图可能不是最佳选择。 由此造成的类别损失可能并不总是可以接受的。 相反，绘制条形图时，我们可以使用单一颜色并保留所有15个数据类别。

前15个国家/地区服务的卫星

如果可视化中需要6-8种以上的不同颜色(色调)，可以合并某些类别或浏览其他图表类型。

不使用顺序配色方案的场景

为了使顺序调色板的颜色细微差别很明显，这些颜色必须相邻放置，如下图所示。 当像散点图一样彼此分开时，细微的差别就变得很难理解了。

当数据点彼此不紧邻时，很难解释顺序的配色方案，如右侧的散点图所示。 这些颜色只能用于可视化相对值，如左图所示。

顺序配色方案的最佳用途是渲染值的相对差异。 它不适合绘制使用分类配色方案呈现的绝对值。

选择合适的背景

物体的感知颜色不仅取决于物体本身的颜色，还取决于其背景。 这导致我们就图表中背景色的使用得出以下结论：

按相同颜色分组的不同对象也应具有相同的背景。 这通常意味着背景颜色的变化必须最小化。

不是每个人都能看到所有的颜色

 大约10%的世界人口是色盲，为了让每个人都能获得彩色信息图表，避免使用红色和绿色的组合。 下面显示的是三种不同色盲的人是如何查看同一张地图的。

结论

可视化的动力在于讲述数据背后的故事。 只有深思熟虑地运用色彩，才能帮助强化数据故事中的关键论点。

- EOF -

回复关键字“简明python ”，立即获取入门必备书籍《简明python教程》电子版
回复关键字“爬虫”，立即获取爬虫学习资料

推荐