1. 热力图配色基础理解数据与颜色的关系第一次用Python画热力图时我盯着上百种配色方案直接懵了——就像走进颜料店却不知道选哪个颜色刷墙。其实选配色不是看心情而是要看数据的性格。举个例子去年分析股票波动率时我用错色系导致关键趋势被背景色淹没被老板当场指出这热力图怎么像抽象画。数据特征决定配色基调主要分三种情况连续型数据如温度变化适合渐变单一的色系比如从浅蓝到深蓝的Blues分类型数据如产品销量对比需要明显区分的颜色比如Set2里的彩虹色发散型数据如盈亏报表应该用双色渐变像RdBu用红蓝表示正负值# 三种基础色系示例 import seaborn as sns data [[0.1, 0.3, 0.5], [0.7, 0.2, 0.9], [0.4, 0.6, 0.8]] # 连续型 sns.heatmap(data, cmapYlOrBr) # 黄橙渐变 # 分类型 sns.heatmap(data, cmapSet3) # 12种鲜明色 # 发散型 sns.heatmap(data, cmapcoolwarm)# 蓝红双色实际项目中我常用这个小技巧快速测试先用cmapviridisMatplotlib默认色系生成基础图如果发现高低值区分不明显再根据数据特征换其他方案。记住好的热力图应该让观众一眼看出数据模式而不是被花哨颜色分散注意力。2. 内置色系实战Matplotlib与Seaborn的隐藏彩蛋Matplotlib内置的色系就像瑞士军刀——功能多但需要知道怎么用。通过plt.colormaps()能查看所有可用选项但光看名字很难想象实际效果。我整理了一份私藏清单色系类型代表方案适用场景避坑提示顺序型viridis,plasma温度/压力等连续量避免用于有负值的数据发散型RdBu,PiYG相关系数/差值对比中间色要足够浅循环型twilight,hsv周期性数据如角度慎用容易造成误解定性型Pastel1,Set2分类对比超过8类时颜色会重复最近帮医学院朋友处理基因表达数据时发现Seaborn的cubehelix色系特别实用。它通过螺旋式色相变化保证黑白打印时仍可区分代码也简单import seaborn as sns # 创建自定义cubehelix色板 cmap sns.cubehelix_palette(start2, rot0, dark0.2, light0.8, as_cmapTrue) sns.heatmap(gene_data, cmapcmap)参数start控制起始色调0-3rot调整旋转圈数dark/light控制两端亮度。实测发现当数据范围特别大时加上normLogNorm()对数归一化效果更好from matplotlib.colors import LogNorm sns.heatmap(wide_range_data, cmaprocket, normLogNorm())3. 场景化配色指南从金融到医学的实战方案上周分析A股行业涨跌幅时踩了个典型坑直接用默认色系导致涨跌区分不明显。后来改用RdYlGn红-黄-绿方案但新问题是色盲同事看不清红色部分。最终方案是# 金融数据专用配置 finance_cmap sns.diverging_palette(220, 20, s80, l55, as_cmapTrue) sns.heatmap(stock_change, cmapfinance_cmap, center0, # 零值对应黄色 annotTrue, fmt.1%)不同领域的黄金组合地理信息terraingist_earth呈现高程生物医学mako显示CT扫描密度社交网络YlOrRd突出关键节点有个容易忽略的细节色系后缀带_r表示反向色阶。比如分析疫情数据时通常高热值用红色但如果做疫苗接种率就该用Greens_r让高值显示深绿色。4. 高级技巧自定义色板与无障碍设计去年给政府做数据看板时甲方要求必须符合WCAG 2.0无障碍标准。这意味着要满足颜色对比度至少4.5:1色盲可辨识黑白打印有效解决方案是用colors.ListedColormap自定义色板from matplotlib.colors import ListedColormap # 色盲友好色板 cb_friendly [#3a7ca5,#2f6690,#d9dcd6,#16425b,#81c3d7] custom_cmap ListedColormap(cb_friendly) sns.heatmap(accessibility_data, cmapcustom_cmap, cbar_kws{label: Accessibility Score})对于需要精确控制的情况可以用BoundaryNorm指定颜色分界点。比如气象数据分级显示import numpy as np from matplotlib.colors import BoundaryNorm bounds [0, 10, 20, 30, 40] # 温度分段 norm BoundaryNorm(bounds, ncolors4) cmap ListedColormap([#4575b4,#91bfdb,#fee090,#fc8d59]) plt.imshow(temperature_data, cmapcmap, normnorm) plt.colorbar(extendboth)最后分享个实用函数我常用它来预览色系效果def show_cmaps(*cmap_names): 展示多个色系的渐变效果 gradient np.linspace(0, 1, 256) gradient np.vstack((gradient, gradient)) fig, axes plt.subplots(len(cmap_names), figsize(8, 3)) fig.subplots_adjust(top0.95, bottom0.01, left0.2, right0.99) for ax, name in zip(axes, cmap_names): ax.imshow(gradient, aspectauto, cmapplt.get_cmap(name)) ax.set_title(name, fontsize10) ax.set_axis_off() show_cmaps(viridis, plasma, inferno, magma, cividis)
Python热力图配色实战：从内置色系到场景化选择指南
发布时间：2026/7/16 9:43:12
1. 热力图配色基础理解数据与颜色的关系第一次用Python画热力图时我盯着上百种配色方案直接懵了——就像走进颜料店却不知道选哪个颜色刷墙。其实选配色不是看心情而是要看数据的性格。举个例子去年分析股票波动率时我用错色系导致关键趋势被背景色淹没被老板当场指出这热力图怎么像抽象画。数据特征决定配色基调主要分三种情况连续型数据如温度变化适合渐变单一的色系比如从浅蓝到深蓝的Blues分类型数据如产品销量对比需要明显区分的颜色比如Set2里的彩虹色发散型数据如盈亏报表应该用双色渐变像RdBu用红蓝表示正负值# 三种基础色系示例 import seaborn as sns data [[0.1, 0.3, 0.5], [0.7, 0.2, 0.9], [0.4, 0.6, 0.8]] # 连续型 sns.heatmap(data, cmapYlOrBr) # 黄橙渐变 # 分类型 sns.heatmap(data, cmapSet3) # 12种鲜明色 # 发散型 sns.heatmap(data, cmapcoolwarm)# 蓝红双色实际项目中我常用这个小技巧快速测试先用cmapviridisMatplotlib默认色系生成基础图如果发现高低值区分不明显再根据数据特征换其他方案。记住好的热力图应该让观众一眼看出数据模式而不是被花哨颜色分散注意力。2. 内置色系实战Matplotlib与Seaborn的隐藏彩蛋Matplotlib内置的色系就像瑞士军刀——功能多但需要知道怎么用。通过plt.colormaps()能查看所有可用选项但光看名字很难想象实际效果。我整理了一份私藏清单色系类型代表方案适用场景避坑提示顺序型viridis,plasma温度/压力等连续量避免用于有负值的数据发散型RdBu,PiYG相关系数/差值对比中间色要足够浅循环型twilight,hsv周期性数据如角度慎用容易造成误解定性型Pastel1,Set2分类对比超过8类时颜色会重复最近帮医学院朋友处理基因表达数据时发现Seaborn的cubehelix色系特别实用。它通过螺旋式色相变化保证黑白打印时仍可区分代码也简单import seaborn as sns # 创建自定义cubehelix色板 cmap sns.cubehelix_palette(start2, rot0, dark0.2, light0.8, as_cmapTrue) sns.heatmap(gene_data, cmapcmap)参数start控制起始色调0-3rot调整旋转圈数dark/light控制两端亮度。实测发现当数据范围特别大时加上normLogNorm()对数归一化效果更好from matplotlib.colors import LogNorm sns.heatmap(wide_range_data, cmaprocket, normLogNorm())3. 场景化配色指南从金融到医学的实战方案上周分析A股行业涨跌幅时踩了个典型坑直接用默认色系导致涨跌区分不明显。后来改用RdYlGn红-黄-绿方案但新问题是色盲同事看不清红色部分。最终方案是# 金融数据专用配置 finance_cmap sns.diverging_palette(220, 20, s80, l55, as_cmapTrue) sns.heatmap(stock_change, cmapfinance_cmap, center0, # 零值对应黄色 annotTrue, fmt.1%)不同领域的黄金组合地理信息terraingist_earth呈现高程生物医学mako显示CT扫描密度社交网络YlOrRd突出关键节点有个容易忽略的细节色系后缀带_r表示反向色阶。比如分析疫情数据时通常高热值用红色但如果做疫苗接种率就该用Greens_r让高值显示深绿色。4. 高级技巧自定义色板与无障碍设计去年给政府做数据看板时甲方要求必须符合WCAG 2.0无障碍标准。这意味着要满足颜色对比度至少4.5:1色盲可辨识黑白打印有效解决方案是用colors.ListedColormap自定义色板from matplotlib.colors import ListedColormap # 色盲友好色板 cb_friendly [#3a7ca5,#2f6690,#d9dcd6,#16425b,#81c3d7] custom_cmap ListedColormap(cb_friendly) sns.heatmap(accessibility_data, cmapcustom_cmap, cbar_kws{label: Accessibility Score})对于需要精确控制的情况可以用BoundaryNorm指定颜色分界点。比如气象数据分级显示import numpy as np from matplotlib.colors import BoundaryNorm bounds [0, 10, 20, 30, 40] # 温度分段 norm BoundaryNorm(bounds, ncolors4) cmap ListedColormap([#4575b4,#91bfdb,#fee090,#fc8d59]) plt.imshow(temperature_data, cmapcmap, normnorm) plt.colorbar(extendboth)最后分享个实用函数我常用它来预览色系效果def show_cmaps(*cmap_names): 展示多个色系的渐变效果 gradient np.linspace(0, 1, 256) gradient np.vstack((gradient, gradient)) fig, axes plt.subplots(len(cmap_names), figsize(8, 3)) fig.subplots_adjust(top0.95, bottom0.01, left0.2, right0.99) for ax, name in zip(axes, cmap_names): ax.imshow(gradient, aspectauto, cmapplt.get_cmap(name)) ax.set_title(name, fontsize10) ax.set_axis_off() show_cmaps(viridis, plasma, inferno, magma, cividis)
