选择配色方案¶

目录¶

使用color_palette()和set_palette()建立配色方案
- color_palette()可以接受的颜色参数形式
- sns.choose_colorbrewer_palette()能够以互动的方式测试、修改不同的参数
- Qualitative color palettes
  - 使用循环颜色系统
  - 使用Color Brewer调色板
  - 手动指定循环颜色系统
  - 使用来自xkcd color survey的颜色名字
- Sequential color palettes
  - Sequential palettes中的cubehelix_palette()函数
  - sns.choose_cubehelix__palette()能够以互动的方式测试、修改不同的参数
  - Sequential palettes中的light_palette()函数和dark_palette()函数
  - sns.choose_light_palette()能够以互动的方式测试、修改不同的参数
  - sns.choose_dark_palette()能够以互动的方式测试、修改不同的参数
- Diverging color palettes
  - Diverging palettes中的diverging_palette()函数
  - sns.choose_diverging_palette()能够以互动的方式测试、修改不同的参数
使用set_palette()函数改变配色方案的默认设置
临时设置图表配色方案

In [1]:

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(rc={"figure.figsize": (6, 6)})
np.random.seed(sum(map(ord, "palettes")))
%matplotlib inline

使用color_palette()和set_palette()建立配色方案¶

color_palette()可以接受的颜色参数形式¶

HTML十六进制字符串（hex color codes）
- color = '#eeefff'
合法的HTML颜色名字（HTML color names）
- color = 'red'/'chartreuse'
归一化到[0, 1]的RGB元组（RGB tuples）
- color = (0.3, 0.3, 0.4)

sns.choose_colorbrewer_palette()能够以互动的方式测试、修改不同的参数¶

只能用于Jupyter Notebook

sns.choose_colorbrewer_palette(data_type, as_cmap=False)

data_type : {‘sequential’, ‘diverging’, ‘qualitative’}

This describes the kind of data you want to visualize. Note that you can pass substrings（e.g. ‘q’ for ‘qualitative）.

as_cmap : bool

If True, the return value is a matplotlib colormap rather than a list of discrete colors.

In [2]:

sns.choose_colorbrewer_palette('sequential', as_cmap=False)

Out[2]:

[(0.95755478915046244, 0.95755478915046244, 0.95755478915046244),
 (0.90120723387774304, 0.90120723387774304, 0.90120723387774304),
 (0.83289505032932054, 0.83289505032932054, 0.83289505032932054),
 (0.75021916137022127, 0.75021916137022127, 0.75021916137022127),
 (0.64341409276513495, 0.64341409276513495, 0.64341409276513495),
 (0.53871589525073182, 0.53871589525073182, 0.53871589525073182),
 (0.44032295626752516, 0.44032295626752516, 0.44032295626752516),
 (0.34288351570858677, 0.34288351570858677, 0.34288351570858677),
 (0.22329873945198808, 0.22329873945198808, 0.22329873945198808),
 (0.1046981975144031, 0.1046981975144031, 0.1046981975144031)]

Qualitative color palettes¶

当需要区分离散的数据集，且数据集之间没有内在的顺序，最好使用qualitative (or categorical) palettes

In [3]:

# 导入Seaborn的同时，会引入默认的颜色循环，由6种颜色构成
sns.color_palette() # 返回当前默认颜色循环

Out[3]:

[(0.2980392156862745, 0.4470588235294118, 0.6901960784313725),
 (0.3333333333333333, 0.6588235294117647, 0.40784313725490196),
 (0.7686274509803922, 0.3058823529411765, 0.3215686274509804),
 (0.5058823529411764, 0.4470588235294118, 0.6980392156862745),
 (0.8, 0.7254901960784313, 0.4549019607843137),
 (0.39215686274509803, 0.7098039215686275, 0.803921568627451)]

In [4]:

# 显示当前默认颜色循环
current_palette = sns.color_palette()
sns.palplot(current_palette) # sns.palplot：plot the values in a color palette as a horizontal array

在默认颜色主题的基础上，有6个变种：deep、muted、pastel、bright、dark、colorblind

使用循环颜色系统¶

当需要区分的数据集超过颜色循环中的6种颜色时，最简单的方法是使用循环颜色系统

In [5]:

# 最为常用的方法是使用'hls'循环颜色系统
sns.palplot(sns.color_palette("hls", 8))

In [6]:

# 可以通过sns.hls_palette函数控制'hls'循环颜色系统的亮度和饱和度
sns.palplot(sns.hls_palette(8, l=.3, s=.8)) # l是亮度（lightness），s是饱和度（saturation）

In [7]:

# 'husl'循环颜色系统，在亮度和饱和度上分别更加平均
sns.palplot(sns.color_palette("husl", 8))

In [8]:

# 可以通过sns.husl_palette函数控制'husl'循环颜色系统的亮度和饱和度
sns.palplot(sns.husl_palette(8, l=.9, s=.9)) # l是亮度（lightness），s是饱和度（saturation）

使用Color Brewer调色板¶

来自Color Brewer的颜色循环系统

缺点

在某些情况下颜色会循环重复

优点

某些颜色循环系统对色盲比较友好（尤其是红绿色盲）

In [9]:

sns.palplot(sns.color_palette("Paired"))

In [10]:

sns.palplot(sns.color_palette("Set2", 10))

手动指定循环颜色系统¶

In [11]:

flatui = ["#9b59b6", "#3498db", "#95a5a6", "#e74c3c", "#34495e", "#2ecc71"]
sns.palplot(sns.color_palette(flatui))

使用来自xkcd color survey的颜色名字¶

954 named colors

In [12]:

# 使用sns.xkcd_rgb设置颜色名字
plt.plot([0, 1], [0, 1], sns.xkcd_rgb["pale red"], lw=3)
plt.plot([0, 1], [0, 2], sns.xkcd_rgb["medium green"], lw=3)
plt.plot([0, 1], [0, 3], sns.xkcd_rgb["denim blue"], lw=3);

In [13]:

# 使用sns.xkcd_palette传入颜色名字列表
colors = ["windows blue", "amber", "greyish", "faded green", "dusty purple"]
sns.palplot(sns.xkcd_palette(colors))

Sequential color palettes¶

当数据集的范围从相对低值（不感兴趣）到相对高值（很感兴趣），最好使用sequential color palettes

常用于kdeplot或corrplot等函数

The Color Brewer library中有大量的sequential color palettes，以占主导地位的颜色命名（如Blues）

In [14]:

sns.palplot(sns.color_palette("Blues"))

添加后缀_r，倒置sequential color palettes的顺序

In [15]:

sns.palplot(sns.color_palette("BuGn_r"))

添加后缀_d，使sequential color palettes颜色变深

In [16]:

sns.palplot(sns.color_palette("GnBu_d"))

Sequential palettes中的cubehelix_palette()函数¶

cubehelix调色板系统的亮度是线性变化的，优点在于打印后也能区分不同颜色，且对色盲友好

In [17]:

sns.palplot(sns.color_palette("cubehelix", 8)) # 通过cubehelix参数调用

In [18]:

sns.palplot(sns.cubehelix_palette(8)) # 通过sns.cubehelix_palette()函数调用，与通过cubehelix参数调用的结果有所区别（色域的宽度变小、明暗变化倒置）

In [19]:

# start参数（取值0到3）和rot参数（number of rotations，任意值，取值-1到1）
sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75))

In [20]:

# dark、light参数（控制endpoints的暗度和亮度）、reverse参数（倒置cubehelix_palette）
sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))

In [21]:

# 默认返回颜色列表，设置as_cmap=True返回colormap对象，可以用于某些Seaborn或matplotlib函数
x, y = np.random.multivariate_normal([0, 0], [[1, -.5], [-.5, 1]], size=300).T
cmap = sns.cubehelix_palette(light=1, as_cmap=True)
sns.kdeplot(x, y, cmap=cmap, shade=True)

Out[21]:

<matplotlib.axes._subplots.AxesSubplot at 0x9b81630>

sns.choose_cubehelix__palette()能够以互动的方式测试、修改不同的参数¶

只能用于Jupyter Notebook

sns.choose_cubehelix_palette(as_cmap=False)

as_cmap : bool

If True, the return value is a matplotlib colormap rather than a list of discrete colors.

In [22]:

sns.choose_cubehelix_palette(as_cmap=False)

Out[22]:

[[0.9312692223325372, 0.8201921796082118, 0.7971480974663592],
 [0.8888663743660877, 0.7106793139856472, 0.7158661451411206],
 [0.8314793143949643, 0.5987041921652179, 0.6530062709235388],
 [0.7588951019517731, 0.49817117746394224, 0.6058723814510268],
 [0.6672565752652589, 0.40671838146419587, 0.5620016466433286],
 [0.5529215689527474, 0.3217924564263954, 0.5093718054521851],
 [0.43082755198027817, 0.24984535814964698, 0.4439396089963985],
 [0.29794615023641036, 0.18145907625614888, 0.35317781405034754],
 [0.1750865648952205, 0.11840023306916837, 0.24215989137836502]]

Sequential palettes中的light_palette()函数和dark_palette()函数¶

以某个颜色为种子，从明向暗或从暗向明渐变，产生sequential palettes

In [23]:

sns.palplot(sns.light_palette("green"))

In [24]:

sns.palplot(sns.dark_palette("purple"))

In [25]:

# 倒置调色板的顺序
sns.palplot(sns.light_palette("navy", reverse=True))

In [26]:

# 产生colormap对象，而非颜色列表
pal = sns.dark_palette("palegreen", as_cmap=True)
sns.kdeplot(x, y, cmap=pal);

In [27]:

# provide tuples in ``hls`` or ``husl`` space along with the default ``rgb``
sns.palplot(sns.light_palette((210, 90, 60), input="husl"))

In [28]:

# seed the palette with any valid ``xkcd`` color
sns.palplot(sns.dark_palette("muted purple", input="xkcd"))

sns.choose_light_palette()能够以互动的方式测试、修改不同的参数¶

只能用于Jupyter Notebook

sns.choose_light_palette(input='husl', as_cmap=False)

input : {‘husl’, ‘hls’, ‘rgb’}

Color space for defining the seed value. Note that the default is different than the default input for light_palette().

as_cmap : bool

If True, the return value is a matplotlib colormap rather than a list of discrete colors.

In [29]:

sns.choose_light_palette(input='husl', as_cmap=False)

Out[29]:

[array([ 0.94054458,  0.95945542,  0.95679586,  1.        ]),
 array([ 0.87363254,  0.90742758,  0.90267475,  1.        ]),
 array([ 0.80672051,  0.85539974,  0.84855364,  1.        ]),
 array([ 0.73741876,  0.80151376,  0.79249963,  1.        ]),
 array([ 0.67050672,  0.74948591,  0.73837852,  1.        ]),
 array([ 0.60120497,  0.69559993,  0.68232452,  1.        ]),
 array([ 0.53429294,  0.64357209,  0.62820341,  1.        ]),
 array([ 0.46499119,  0.58968611,  0.5721494 ,  1.        ]),
 array([ 0.39807915,  0.53765827,  0.51802829,  1.        ]),
 array([ 0.33116712,  0.48563043,  0.46390718,  1.        ])]

sns.choose_dark_palette()能够以互动的方式测试、修改不同的参数¶

只能用于Jupyter Notebook

sns.choose_dark_palette(input='husl', as_cmap=False)

input : {‘husl’, ‘hls’, ‘rgb’}

Color space for defining the seed value. Note that the default is different than the default input for dark_palette().

as_cmap : bool

If True, the return value is a matplotlib colormap rather than a list of discrete colors.

In [30]:

sns.choose_dark_palette(input='husl', as_cmap=False)

Out[30]:

[array([ 0.13333333,  0.13333333,  0.13333333,  1.        ]),
 array([ 0.15505626,  0.17201694,  0.16963164,  1.        ]),
 array([ 0.17677918,  0.21070054,  0.20592994,  1.        ]),
 array([ 0.19927793,  0.2507657 ,  0.24352462,  1.        ]),
 array([ 0.22100085,  0.2894493 ,  0.27982292,  1.        ]),
 array([ 0.2434996 ,  0.32951446,  0.31741759,  1.        ]),
 array([ 0.26522252,  0.36819806,  0.3537159 ,  1.        ]),
 array([ 0.28772127,  0.40826322,  0.39131057,  1.        ]),
 array([ 0.30944419,  0.44694683,  0.42760888,  1.        ]),
 array([ 0.33116712,  0.48563043,  0.46390718,  1.        ])]

Diverging color palettes¶

当数据集的低值和高值都很重要，且数据集中有明确定义的中点时，最好使用diverging color palettes

例如，绘制温度相对于基准时间点的变化图，最好使用diverging colormap来同时显示温度相对于基准值的上升和下降

两端的颜色应该具有相似的亮度和饱和度，中间点的颜色不应该喧宾夺主

In [31]:

sns.palplot(sns.color_palette("BrBG", 7))

In [32]:

sns.palplot(sns.color_palette("RdBu_r", 7))

In [33]:

# coolwarm调色板也是很好的选择，缺点在于中间的颜色和两端的颜色对比较少
sns.palplot(sns.color_palette("coolwarm", 7))

Diverging palettes中的diverging_palette()函数¶

diverging_palette()函数使用'husl'颜色系统，需要在函数中设置两个hue参数，也可以选择设置两端颜色的亮度和饱和度

In [34]:

sns.palplot(sns.diverging_palette(220, 20, n=7))

In [35]:

sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7))

In [36]:

# sep参数controls the width of the separation between the two ramps in the middle region of the palette
sns.palplot(sns.diverging_palette(10, 220, sep=80, n=7))

In [37]:

# 可以将中间点的颜色设置成暗色而非亮色
sns.palplot(sns.diverging_palette(255, 133, l=60, n=7, center="dark"))

sns.choose_diverging_palette()能够以互动的方式测试、修改不同的参数¶

只能用于Jupyter Notebook

sns.choose_diverging_palette(as_cmap=False)

as_cmap : bool

If True, the return value is a matplotlib colormap rather than a list of discrete colors.

In [38]:

sns.choose_diverging_palette(as_cmap=False)

Out[38]:

[array([ 0.25199714,  0.49873371,  0.57516028,  1.        ]),
 array([ 0.43026136,  0.62000665,  0.67878019,  1.        ]),
 array([ 0.60852558,  0.74127959,  0.7824001 ,  1.        ]),
 array([ 0.7867898 ,  0.86255253,  0.88602001,  1.        ]),
 array([ 0.95,  0.95,  0.95,  1.  ]),
 array([ 0.95457726,  0.76653099,  0.78032569,  1.        ]),
 array([ 0.91971827,  0.58735877,  0.61174   ,  1.        ]),
 array([ 0.88485928,  0.40818655,  0.44315432,  1.        ]),
 array([ 0.85104086,  0.23436275,  0.27960104,  1.        ])]

使用set_palette()函数改变配色方案的默认设置¶

color_palette()与set_palette()的关系，类似于axes_style()和set_style()的关系

set_palette()的参数与color_palette()相同

区别在于，set_palette()会改变配色方案的默认设置，从而应用于之后所有的图表

In [39]:

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

In [40]:

sns.set_palette("husl")
sinplot()

临时设置图表配色方案¶

在with语句里使用color_palette()函数来临时设置图表配色方案

In [41]:

with sns.color_palette("PuBuGn_d"):
    sinplot()