当前位置：首页>python>用Python做科研级画图——配色与色带:连续离散怎么选

用Python做科研级画图——配色与色带:连续离散怎么选

2026-02-27 21:47:33

大家好，我是你们的小帅学长。

你图看起来不专业，往往是配色在误导信息。

很多同学画图到后期会陷入一个非常“隐蔽”的坑：线条、字号、布局都调得差不多了，但图还是“不像论文图”。

原因往往不是你画得不对，而是颜色在说谎。

连续变量你用了彩虹色，让读者以为有很多“分界点”；

分类变量你用了渐变色，让读者以为它有大小顺序；

正负偏差你用了单色系，让读者根本看不出“往哪偏”。

这一篇我们把“配色选择”讲成一个可执行的决策逻辑：先判断变量类型 → 再选色带类型 → 最后做可读性检查。

01.先给结论：颜色选择 = 变量类型选择

你只需要思考一个问题：

你这张图表达的数据是什么类型？

通常就三类：

连续变量

离散/分类变量

发散变量

接下来就分别对应三种色带：

连续 → Sequential（顺序色带）

离散 → Qualitative（定性色带）

发散 → Diverging（发散色带）

02.连续变量：用“顺序色带”

顺序色带的特征是：

亮度/深浅随数值单调变化；

读者一眼就能判断“更大/更小”。

03.离散/分类：用“定性色带”，不要用渐变

分类变量的核心是：

类别之间没有大小关系；

所以颜色应该是“彼此可区分”，而不是“深浅代表大小”。

04.发散变量：以“参考值”为中心，用发散色带

发散色带的关键是：

中心颜色代表参考值（通常是 0），两侧颜色对称；

这样读者一眼就看出“正偏/负偏”“增/减”。

05.颜色之外最容易被忽略的 2 件事

1）色条（colorbar）要写清单位

没单位的色条等于让读者猜。

2）范围要可解释

连续图不要随意自动缩放；

发散图尽量对称；

分类图要固定映射关系（同一类永远同一个颜色）。

06.直接给你可复制模板

1）连续色带

import osimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as pltfrom matplotlib import font_manager as fmfm.fontManager.addfont(r"C:\Windows\Fonts\times.ttf")fm.fontManager.addfont(r"C:\Windows\Fonts\simsun.ttc")mpl.rcParams["font.family"] = ["Times New Roman", "SimSun"]mpl.rcParams["axes.unicode_minus"] = FalseOUT_DIR = r"D:\py_figs"os.makedirs(OUT_DIR, exist_ok=True)# 假数据：二维连续变量data = np.random.rand(50, 80) * 10 + 280  fig, ax = plt.subplots(figsize=(6, 4))im = ax.imshow(data, cmap="viridis")# 连续：顺序色带ax.set_title("连续变量示例：LST 强度分布")cbar = fig.colorbar(im, ax=ax)cbar.set_label("LST (K) / 地表温度（K）")fig.savefig(os.path.join(OUT_DIR, "cmap_sequential.jpg"), dpi=300, bbox_inches="tight")plt.close(fig)

2）离散分类

import osimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as pltfrom matplotlib import font_manager as fmfm.fontManager.addfont(r"C:\Windows\Fonts\times.ttf")fm.fontManager.addfont(r"C:\Windows\Fonts\simsun.ttc")mpl.rcParams["font.family"] = ["Times New Roman", "SimSun"]mpl.rcParams["axes.unicode_minus"] = FalseOUT_DIR = r"D:\py_figs"os.makedirs(OUT_DIR, exist_ok=True)labels = ["水体", "城市", "植被", "裸地"]values = [35, 22, 40, 18]fig, ax = plt.subplots(figsize=(6, 4))colors = plt.get_cmap("tab10").colors[:len(labels)]# 离散：定性色带ax.bar(labels, values, color=colors)ax.set_title("离散变量示例：地类面积统计")ax.set_ylabel("Area (%) / 面积占比（%）")fig.savefig(os.path.join(OUT_DIR, "cmap_qualitative.jpg"), dpi=300, bbox_inches="tight")plt.close(fig)

3）发散色带

import osimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as pltfrom matplotlib import font_manager as fmfm.fontManager.addfont(r"C:\Windows\Fonts\times.ttf")fm.fontManager.addfont(r"C:\Windows\Fonts\simsun.ttc")mpl.rcParams["font.family"] = ["Times New Roman", "SimSun"]mpl.rcParams["axes.unicode_minus"] = FalseOUT_DIR = r"D:\py_figs"os.makedirs(OUT_DIR, exist_ok=True)# 假数据：误差场（正负）err = (np.random.randn(50, 80)) * 1.2 # K# 发散：必须对称范围a = 3.0fig, ax = plt.subplots(figsize=(6, 4))im = ax.imshow(err, cmap="RdBu_r", vmin=-a, vmax=a)ax.set_title("发散变量示例：Bias (pred - true)")cbar = fig.colorbar(im, ax=ax)cbar.set_label("Bias (K) / 偏差（K）")fig.savefig(os.path.join(OUT_DIR, "cmap_diverging.jpg"), dpi=300, bbox_inches="tight")plt.close(fig)