1. 什么是 Colormap？
2. 如何使用 Colormap？（Matplotlib 示例）
3. Colormap 的分类与选择
4. 如何创建和修改 Colormap？
5. 常用 Colormap 及其应用场景
6. 在不同库中的使用

什么是 Colormap？

想象一下，你有一组从 0 到 100 的数字，如果直接显示它们，你可能只会看到一堆数字，很难看出它们之间的模式和差异。colormap 就像一个“颜色翻译器”,它为这组数字中的每一个值分配一个特定的颜色。

这个过程通常是这样的： 数据值 -> 归一化到 [0, 1] -> 映射到 Colormap 的颜色条上 -> 生成最终颜色

在 'viridis' 这个 colormap 中，数值 0 可能对应深紫色，0.5 对应亮绿色，而 1 对应亮黄色。

如何使用 Colormap？（以 Matplotlib 为例）

在 Python 的数据可视化库中，Matplotlib 是最基础也是最广泛使用的一个，它对 colormap 的支持非常完善，我们主要以 Matplotlib 为例进行说明。

基本用法：imshow 或 pcolormesh

这两个函数常用于显示二维数据矩阵（如热力图）。cmap 参数直接指定要使用的 colormap 名称。

import numpy as np
import matplotlib.pyplot as plt
# 创建一些示例数据
data = np.random.rand(10, 10)
# --- 使用不同的 colormap ---
# 1. 'viridis' (默认之一，色盲友好)
plt.figure(figsize=(12, 3))
plt.subplot(1, 4, 1)
plt.imshow(data, cmap='viridis')'viridis')
# 2. 'plasma'
plt.subplot(1, 4, 2)
plt.imshow(data, cmap='plasma')'plasma')
# 3. 'inferno'
plt.subplot(1, 4, 3)
plt.imshow(data, cmap='inferno')'inferno')
# 4. 'magma'
plt.subplot(1, 4, 4)
plt.imshow(data, cmap='magma')'magma')
plt.tight_layout()
plt.show()

在散点图中使用 c 参数和 cmap

在散点图中，c 参数用于指定每个点的数值，cmap 参数则用于根据这些数值来决定点的颜色。

import numpy as np
import matplotlib.pyplot as plt
# 生成数据
x = np.random.rand(50)
y = np.random.rand(50)
# 这是决定颜色的数值
colors = np.random.rand(50) 
plt.scatter(x, y, c=colors, cmap='coolwarm')
plt.colorbar() # 显示颜色条'Scatter Plot with Colormap')
plt.show()

这里，c=colors 告诉 Matplotlib 用 colors 数组中的值来着色，而 cmap='coolwarm' 定义了从蓝色（低值）到红色（高值）的渐变。

在 3D 曲面图中使用

在 plot_surface 中，cmap 参数同样可以用来根据曲面的高度（Z值）进行着色。

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 创建数据
X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
# 使用 cmap 进行着色
surf = ax.plot_surface(X, Y, Z, cmap='jet', linewidth=0, antialiased=False)
fig.colorbar(surf, shrink=0.5, aspect=5) # 添加颜色条'3D Surface with Colormap')
plt.show()

Colormap 的分类与选择

选择合适的 colormap 至关重要，错误的 colormap 可能会误导观众，Matplotlib 中的 colormap 主要分为三大类：

a) 顺序型

这类 colormap 的颜色变化是单一、连续的，通常从浅到深或从一种颜色渐变到另一种颜色，它们非常适合表示有序的、连续的数据，如温度、高度、人口密度等。

• 特点: 没有明显的中间值,视觉上是单调的。
• 常用: 'viridis', 'plasma', 'inferno', 'magma', 'cividis', 'Greys', 'Blues'。

强烈推荐: 'viridis' 和 'plasma'，它们是现代科学可视化的默认选择，因为它们不仅美观，更重要的是对色盲友好,并且在打印为黑白图像时也能保持较好的可区分度。

b) 发散型

这类 colormap 通常从一种颜色（如白色、浅灰色）开始，向两个方向（通常是两种对比色，如蓝-红）渐变，它们非常适合表示有中性基准点或需要强调偏离中心的数据，如温度异常（相对于平均温度）、误差、相关性等。

• 特点: 中心有一个明显的断点或中性色。
• 常用: 'RdBu' (红-蓝), 'coolwarm', 'seismic', 'PiYG'。

警告: 避免使用 'jet'（彩虹色）！它是一个经典的发散型 colormap，但存在严重缺陷：在视觉上不均匀（绿色区域比红蓝区域更“突出”），并且容易产生虚假的等高线效果,误导数据解读。

c) 循环/定性型

这类 colormap 的颜色是循环的或没有特定顺序，它们不适合表示有序数据，但可以用来表示没有内在顺序的类别数据。

• 循环型: 颜色从一端开始，经过一系列变化后，平滑地回到起始颜色，适合表示角度、周期性数据等。
  • 常用: 'twilight', 'hsv'。
• 定性型: 一系列互不相关的、高饱和度的颜色，用于区分不同的类别。
  • 常用: 'tab10', 'tab20', 'Set1', 'Pastel1'。

如何创建和修改 Colormap？

除了使用内置的 colormap,你还可以创建自己的。

从列表创建自定义 Colormap

你可以提供一个颜色列表（可以是颜色名称或十六进制代码）来创建一个 LinearSegmentedColormap。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
# 定义自定义颜色列表
colors = ["darkblue", "blue", "lightblue", "white", "pink", "red", "darkred"]
n_bins = 100 # 将颜色分成多少段
# 创建自定义 colormap
cmap_name = 'ocean_to_lava'
custom_cmap = LinearSegmentedColormap.from_list(cmap_name, colors, N=n_bins)
# 测试自定义 colormap
data = np.linspace(0, 1, 256).reshape(1, -1)
plt.figure(figsize=(6, 1))
plt.imshow(data, aspect='auto', cmap=custom_cmap)f"Custom Colormap: '{cmap_name}'")
plt.axis('off')
plt.show()

反转 Colormap

只需要在 colormap 名称后加一个 _r 即可。

import matplotlib.pyplot as plt
import numpy as np
data = np.random.rand(10, 10)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))
# 原始 colormap
im1 = ax1.imshow(data, cmap='viridis')
ax1.set_title('viridis')
fig.colorbar(im1, ax=ax1)
# 反转 colormap
im2 = ax2.imshow(data, cmap='viridis_r')
ax2.set_title('viridis (reversed)')
fig.colorbar(im2, ax=ax2)
plt.show()

常用 Colormap 及其应用场景

在不同库中的使用

虽然 Matplotlib 是基础，但其他高级库也沿用了或兼容了 Matplotlib 的 colormap 系统。

Seaborn

Seaborn 是一个基于 Matplotlib 的高级可视化库，它有自己的默认 colormap，但也可以无缝使用 Matplotlib 的所有 colormap。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 使用 Seaborn 的 heatmap
data = np.random.randn(10, 10)
# cmap 参数直接传入 Matplotlib 的 colormap 名称
ax = sns.heatmap(data, cmap='viridis', center=0)'Seaborn Heatmap with Matplotlib cmap')
plt.show()

Plotly

Plotly 是一个交互式可视化库，它同样支持 Matplotlib 的 colormap。

import plotly.express as px
import numpy as np
# 使用 Plotly Express
df = px.data.iris()
# color_continuous_scale 参数对应 cmap
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="petal_length",
                 color_continuous_scale='viridis') # 使用 'viridis'
fig.show()

1. colormap (或 cmap) 是将数据值映射为颜色的关键参数。
2. 在 Matplotlib 中，它广泛用于 imshow, scatter, plot_surface 等函数。
3. 选择时务必考虑数据类型：
   • 连续数据 -> 顺序型 (viridis, plasma)。
   • 有基准点的数据 -> 发散型 (coolwarm, RdBu)。
   • 无序类别数据 -> 定性型 (tab10)。
4. 避免使用 jet，优先选择对色盲友好的 viridis, plasma, cividis。
5. 你可以通过 from_list 创建自己的 colormap，或通过 _r 后缀轻松反转现有的 colormap。