Skip to content

Matplotlib 色彩映射（Colormap）：Python 颜色映射完整指南

Soren Atelier
Name
Soren Atelier

Updated on

为数据可视化选择合适的颜色，难度常常被低估。选了彩虹色 colormap，你的 heatmap 看起来很“震撼”——但由于人眼感知并不均匀，它会扭曲数据、误导读者，并且对色觉缺陷人群几乎完全不可用。用单一色相的调色板，又可能让细微模式消失在一片几乎相同的色块里。图表是“揭示洞见”还是“掩盖信息”，往往就取决于一个决定：colormap。

Matplotlib 自带 150+ 的内置 colormap，并提供灵活的 API 来构建你自己的 colormap。问题不在于选项不够——而在于你是否知道该用哪一种、何时使用、以及如何针对特定数据集进行定制。糟糕的选择会在不知不觉中破坏可视化的准确性；正确的选择则能让复杂数据立刻变得可读。

本指南覆盖 Matplotlib colormap 的所有实用要点：四大类别、最重要的内置 colormap、如何在不同图形类型中应用、如何从零构建自定义 colormap，以及如何选择既科学准确又具可访问性的配色方案。

📚

    Matplotlib 中的 Colormap 是什么？

    colormap 是一种映射函数，用于把标量数据值转换为颜色。给定一个数值（通常会被归一化到 0--1 范围），colormap 会返回一个 RGBA 颜色元组。Matplotlib 将 colormap 表示为继承自 matplotlib.colors.Colormap 的对象，所有接受 cmap 参数的绘图函数，底层都使用这套机制。

    import matplotlib.pyplot as plt
import numpy as np
 
# A colormap is a callable: pass a float in [0, 1], get an RGBA tuple
cmap = plt.colormaps['viridis']
print(cmap(0.0))   # dark purple
print(cmap(0.5))   # teal-green
print(cmap(1.0))   # bright yellow

    当你写下 plt.imshow(data, cmap='viridis') 时，Matplotlib 会先使用 Normalize 对象把你的数据归一化到 [0, 1]，然后把每个归一化后的数值送入 colormap 来得到最终的像素颜色。理解这个“两步过程”——先归一化，再查色——是你精确控制图中颜色表现的关键。

    Colormap 的四大类别

    Matplotlib 将 colormap 按功能划分为四类。每类适合不同的数据类型；用错类别是最常见、也最致命的 colormap 错误。

    顺序型（Sequential）Colormaps

    顺序型 colormap 会在单一色相或较窄的色相范围内，从浅到深（或从深到浅）平滑变化。它们用于具有自然“从低到高”顺序、且没有特殊中点的数据。

    适用场景： 温度读数、人口密度、海拔高度、概率、任何具有明确方向的连续变量。

    典型示例： viridis, plasma, inferno, magma, cividis, Blues, Greens, OrRd, YlGnBu

    import matplotlib.pyplot as plt
import numpy as np
 
data = np.random.rand(12, 12)
 
fig, axes = plt.subplots(1, 3, figsize=(14, 4))
 
for ax, name in zip(axes, ['viridis', 'plasma', 'inferno']):
    im = ax.imshow(data, cmap=name)
    ax.set_title(f'Sequential: {name}')
    fig.colorbar(im, ax=ax, shrink=0.8)
 
plt.tight_layout()
plt.show()

    发散型（Diverging）Colormaps

    发散型 colormap 使用两种对比色相，并在中点处汇合为中性色（通常是白色或浅灰）。它们强调数据相对于中心值向两侧的偏离。

    适用场景： 温度异常（高于/低于平均值）、相关矩阵、盈亏、任何“0 或某个中点”具有特殊意义的数据。

    典型示例： coolwarm, RdBu, RdYlGn, BrBG, PiYG, seismic, bwr

    import matplotlib.pyplot as plt
import numpy as np
 
np.random.seed(42)
data = np.random.randn(10, 10)  # Values centered around zero
 
fig, axes = plt.subplots(1, 3, figsize=(14, 4))
 
for ax, name in zip(axes, ['coolwarm', 'RdBu', 'seismic']):
    im = ax.imshow(data, cmap=name, vmin=-3, vmax=3)
    ax.set_title(f'Diverging: {name}')
    fig.colorbar(im, ax=ax, shrink=0.8)
 
plt.tight_layout()
plt.show()

    提示： 请始终围绕中点对称地设置 vmin 和 vmax，这样中性色才会对齐到 0（或你选择的中心值）。

    定性（Qualitative）Colormaps

    定性 colormap 提供一组彼此视觉上明显区分的颜色，但不暗示任何顺序关系。每种颜色都尽可能与相邻颜色差异最大，因此非常适合分类标签。

    适用场景： 聚类标签、分类散点图、无序分组的柱状图。

    典型示例： tab10, tab20, Set1, Set2, Set3, Paired, Accent

    import matplotlib.pyplot as plt
import numpy as np
 
np.random.seed(7)
categories = 6
x = np.concatenate([np.random.randn(30) + i * 3 for i in range(categories)])
y = np.concatenate([np.random.randn(30) + i * 1.5 for i in range(categories)])
labels = np.concatenate([np.full(30, i) for i in range(categories)])
 
plt.figure(figsize=(9, 6))
scatter = plt.scatter(x, y, c=labels, cmap='tab10', s=50, alpha=0.8, edgecolors='white')
plt.colorbar(scatter, label='Category')
plt.title('Qualitative Colormap: tab10')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

    循环型（Cyclic）Colormaps

    循环型 colormap 的起点与终点颜色相同，适合“会回绕”的数据——例如角度、相位、一天中的时间、风向。

    适用场景： 相位数据、罗盘方向、周期信号、一天中的小时。

    典型示例： twilight, twilight_shifted, hsv

    import matplotlib.pyplot as plt
import numpy as np
 
theta = np.linspace(0, 2 * np.pi, 300)
r = np.linspace(0, 1, 300)
T, R = np.meshgrid(theta, r)
Z = T  # Color represents angle
 
fig, ax = plt.subplots(subplot_kw={'projection': 'polar'}, figsize=(6, 6))
im = ax.pcolormesh(T, R, Z, cmap='twilight', shading='auto')
fig.colorbar(im, ax=ax, label='Angle (radians)')
ax.set_title('Cyclic Colormap: twilight')
plt.show()

    对比表：Colormap 类别

    CategoryPurposeMidpoint Matters?Ordering?Best ForExamples
    Sequential从低到高的数值否是密度、温度、计数viridis, plasma, inferno, Blues
    Diverging相对中心的偏离是是（两侧）异常、相关性、盈亏coolwarm, RdBu, BrBG
    Qualitative区分类别否否标签、聚类、分组tab10, Set1, Paired
    Cyclic回绕数据否环形相位、角度、一天时间twilight, hsv

    内置 Colormaps 速查

    Matplotlib 包含多个家族的 colormap。下面按类别给出最常用的集合。

    感知均匀的顺序型（Perceptually Uniform Sequential）

    这些 colormap 被设计为：数据的等步长变化能对应人眼感知亮度的等步长变化。对大多数场景，它们是默认首选。

    ColormapDescriptionColorblind Safe
    viridis紫到黄，Matplotlib 2.0 起默认Yes
    plasma紫到黄，对比度更高Yes
    inferno黑到黄，途经红色Yes
    magma黑到白，途经紫与粉Yes
    cividis蓝到黄，专为色觉缺陷优化Yes

    常见发散型（Diverging）Colormaps

    ColormapDescriptionColorblind Safe
    coolwarm蓝到红，过渡平滑Partially
    RdBu红到蓝，对比强No
    RdYlGn红-黄-绿No
    BrBG棕到青绿Partially
    PiYG粉到绿Partially
    seismic蓝到红，饱和度强No

    在不同图类型中使用 Colormaps

    使用 imshow 绘制 Heatmap

    import matplotlib.pyplot as plt
import numpy as np
 
np.random.seed(42)
data = np.random.rand(8, 10)
 
fig, ax = plt.subplots(figsize=(10, 6))
im = ax.imshow(data, cmap='YlOrRd', aspect='auto')
ax.set_xlabel('Columns')
ax.set_ylabel('Rows')
ax.set_title('Heatmap with YlOrRd Colormap')
fig.colorbar(im, ax=ax, label='Value')
plt.tight_layout()
plt.show()

    颜色编码的散点图（Scatter）

    import matplotlib.pyplot as plt
import numpy as np
 
np.random.seed(42)
n = 300
x = np.random.randn(n)
y = np.random.randn(n)
distance = np.sqrt(x**2 + y**2)
 
plt.figure(figsize=(8, 6))
sc = plt.scatter(x, y, c=distance, cmap='magma', s=40, alpha=0.8, edgecolors='gray', linewidths=0.3)
plt.colorbar(sc, label='Distance from Origin')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Scatter Plot with magma Colormap')
plt.show()

    等高线图（Contour）

    import matplotlib.pyplot as plt
import numpy as np
 
x = np.linspace(-3, 3, 200)
y = np.linspace(-3, 3, 200)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
 
fig, axes = plt.subplots(1, 2, figsize=(13, 5))
 
# Filled contour
cf = axes[0].contourf(X, Y, Z, levels=20, cmap='RdBu')
fig.colorbar(cf, ax=axes[0])
axes[0].set_title('contourf with RdBu')
 
# Line contour with colormap
cl = axes[1].contour(X, Y, Z, levels=15, cmap='plasma')
axes[1].clabel(cl, inline=True, fontsize=8)
axes[1].set_title('contour with plasma')
 
plt.tight_layout()
plt.show()

    用于非规则网格的 pcolormesh

    import matplotlib.pyplot as plt
import numpy as np
 
np.random.seed(0)
x = np.linspace(0, 4, 50)
y = np.linspace(0, 3, 40)
X, Y = np.meshgrid(x, y)
Z = np.exp(-(X - 2)**2 - (Y - 1.5)**2) + 0.5 * np.sin(3 * X) * np.cos(3 * Y)
 
plt.figure(figsize=(9, 6))
pcm = plt.pcolormesh(X, Y, Z, cmap='cividis', shading='auto')
plt.colorbar(pcm, label='Intensity')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('pcolormesh with cividis Colormap')
plt.tight_layout()
plt.show()

    Colorbar 自定义

    colorbar 是 colormap 的“图例”。正确地自定义它对可读性至关重要。

    基础 colorbar 选项

    import matplotlib.pyplot as plt
import numpy as np
 
data = np.random.rand(10, 10)
 
fig, ax = plt.subplots(figsize=(8, 6))
im = ax.imshow(data, cmap='viridis')
 
cbar = fig.colorbar(im, ax=ax, orientation='vertical', shrink=0.8, pad=0.02)
cbar.set_label('Measurement Value', fontsize=12)
cbar.ax.tick_params(labelsize=10)
plt.title('Colorbar Customization')
plt.tight_layout()
plt.show()

    使用 BoundaryNorm 的离散 colorbar

    当你的数据天然落在离散区间（风险等级、评分档位）时，使用 BoundaryNorm 来创建清晰的颜色边界，而不是平滑渐变。

    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
 
data = np.random.rand(10, 10) * 100
 
bounds = [0, 20, 40, 60, 80, 100]
norm = mcolors.BoundaryNorm(bounds, ncolors=256)
 
fig, ax = plt.subplots(figsize=(8, 6))
im = ax.imshow(data, cmap='RdYlGn', norm=norm)
cbar = fig.colorbar(im, ax=ax, ticks=bounds)
cbar.set_label('Score')
ax.set_title('Discrete Colorbar with BoundaryNorm')
plt.tight_layout()
plt.show()

    水平 colorbar

    import matplotlib.pyplot as plt
import numpy as np
 
data = np.random.rand(8, 12)
 
fig, ax = plt.subplots(figsize=(10, 5))
im = ax.imshow(data, cmap='plasma')
cbar = fig.colorbar(im, ax=ax, orientation='horizontal', fraction=0.046, pad=0.12)
cbar.set_label('Value')
ax.set_title('Horizontal Colorbar')
plt.tight_layout()
plt.show()

    创建自定义 Colormaps

    当内置 colormap 无法满足需求——例如企业品牌色、领域惯例、或特定的感知要求——Matplotlib 提供了两类构建方式。

    ListedColormap：由颜色列表构建

    ListedColormap 用明确的颜色列表创建 colormap。每种颜色在 [0, 1] 区间占据等宽比例。

    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
 
# Define colors by name, hex, or RGB tuple
colors = ['#2c3e50', '#2980b9', '#27ae60', '#f39c12', '#e74c3c']
cmap_custom = mcolors.ListedColormap(colors)
 
data = np.random.rand(10, 10)
 
fig, ax = plt.subplots(figsize=(8, 6))
im = ax.imshow(data, cmap=cmap_custom)
fig.colorbar(im, ax=ax)
ax.set_title('Custom ListedColormap (5 colors)')
plt.tight_layout()
plt.show()

    LinearSegmentedColormap：平滑渐变

    LinearSegmentedColormap 用于创建平滑的颜色过渡。最简单的方法是 from_list，它会在锚点颜色之间进行线性插值。

    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
 
# Smooth gradient from dark blue through white to dark red
colors = ['#1a1a6e', '#4a90d9', '#ffffff', '#d94a4a', '#6e1a1a']
cmap_diverge = mcolors.LinearSegmentedColormap.from_list('custom_diverge', colors)
 
np.random.seed(42)
data = np.random.randn(12, 12)
 
fig, ax = plt.subplots(figsize=(8, 6))
im = ax.imshow(data, cmap=cmap_diverge, vmin=-3, vmax=3)
fig.colorbar(im, ax=ax, label='Standard Deviations')
ax.set_title('Custom Diverging Colormap')
plt.tight_layout()
plt.show()

    进阶：分段字典（Segment Dictionary）格式

    如果你需要对每个颜色通道的过渡进行完全控制，可以定义分段字典。每个通道（red/green/blue）都由 (x, y_left, y_right) 元组列表组成，用来指定锚点。

    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
 
# Custom colormap: black -> blue -> cyan -> yellow -> white
cdict = {
    'red':   [(0.0, 0.0, 0.0), (0.25, 0.0, 0.0), (0.5, 0.0, 0.0),
              (0.75, 1.0, 1.0), (1.0, 1.0, 1.0)],
    'green': [(0.0, 0.0, 0.0), (0.25, 0.0, 0.0), (0.5, 1.0, 1.0),
              (0.75, 1.0, 1.0), (1.0, 1.0, 1.0)],
    'blue':  [(0.0, 0.0, 0.0), (0.25, 1.0, 1.0), (0.5, 1.0, 1.0),
              (0.75, 0.0, 0.0), (1.0, 1.0, 1.0)]
}
cmap_seg = mcolors.LinearSegmentedColormap('custom_seg', cdict)
 
data = np.random.rand(10, 10)
fig, ax = plt.subplots(figsize=(8, 6))
im = ax.imshow(data, cmap=cmap_seg)
fig.colorbar(im, ax=ax)
ax.set_title('Segment Dictionary Colormap')
plt.tight_layout()
plt.show()

    注册自定义 Colormap

    注册 colormap 后，你就能像使用内置 colormap 一样通过名字引用它：

    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
 
colors = ['#0d0887', '#7e03a8', '#cc4778', '#f89540', '#f0f921']
my_cmap = mcolors.LinearSegmentedColormap.from_list('my_palette', colors)
plt.colormaps.register(cmap=my_cmap)
 
# Now use it by name anywhere
# plt.imshow(data, cmap='my_palette')

    反转 Colormap

    在任意 colormap 名称后追加 _r 即可得到反转版本。当你希望视觉强调方向相反时很有用——例如让更高的数值更暗而不是更亮。

    import matplotlib.pyplot as plt
import numpy as np
 
data = np.random.rand(8, 8)
 
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
 
axes[0].imshow(data, cmap='viridis')
axes[0].set_title('viridis (default)')
 
axes[1].imshow(data, cmap='viridis_r')
axes[1].set_title('viridis_r (reversed)')
 
plt.tight_layout()
plt.show()

    每个内置 colormap 都有对应的反转版本：plasma_r, coolwarm_r, RdBu_r, inferno_r 等。

    截取并提取 Colormap 子区间

    有时你只需要 colormap 的一部分。可以结合 Colormap.__call__、np.linspace 与 ListedColormap 提取切片：

    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
 
# Extract the middle 50% of the viridis colormap
full_cmap = plt.colormaps['viridis']
colors = full_cmap(np.linspace(0.25, 0.75, 256))
truncated_cmap = mcolors.ListedColormap(colors)
 
data = np.random.rand(10, 10)
 
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
axes[0].imshow(data, cmap='viridis')
axes[0].set_title('Full viridis')
axes[1].imshow(data, cmap=truncated_cmap)
axes[1].set_title('Truncated viridis (25%-75%)')
plt.tight_layout()
plt.show()

    归一化（Normalization）：控制数据如何映射到颜色

    归一化决定了原始数据值如何在查色之前转换到 [0, 1]。默认是线性归一化，但 Matplotlib 提供了多种替代方案。

    NormalizationClassWhen to Use
    LinearNormalize默认，数据分布较均匀
    LogarithmicLogNorm数据跨越多个数量级
    Symmetric logSymLogNorm数据有正负号，且需要近似对数缩放
    PowerPowerNorm自定义非线性压缩
    Two-slopeTwoSlopeNorm发散数据且两侧范围不对称
    BoundaryBoundaryNorm离散分箱边界
    import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np
 
np.random.seed(42)
data = np.random.lognormal(mean=2, sigma=1.5, size=(20, 20))
 
fig, axes = plt.subplots(1, 3, figsize=(16, 5))
 
# Linear (default)
im0 = axes[0].imshow(data, cmap='magma')
fig.colorbar(im0, ax=axes[0])
axes[0].set_title('Linear Normalize')
 
# LogNorm
im1 = axes[1].imshow(data, cmap='magma', norm=mcolors.LogNorm())
fig.colorbar(im1, ax=axes[1])
axes[1].set_title('LogNorm')
 
# PowerNorm (gamma=0.5 = square root)
im2 = axes[2].imshow(data, cmap='magma', norm=mcolors.PowerNorm(gamma=0.5))
fig.colorbar(im2, ax=axes[2])
axes[2].set_title('PowerNorm (gamma=0.5)')
 
plt.tight_layout()
plt.show()

    为你的数据选择合适的 Colormap

    选择 colormap 是一种会产生真实后果的设计决策。下面是一套实用的决策框架：

    1. 数据是顺序型（低到高）吗？ 使用顺序型 colormap。先从 viridis 开始；需要更强对比可试 plasma 或 inferno。

    2. 数据是围绕有意义中心发散的吗？ 使用发散型 colormap。想要更柔和选 coolwarm，对比更强选 RdBu。并对称设置 vmin 与 vmax。

    3. 数据是无序的类别型吗？ 使用定性 colormap。最多 10 类用 tab10，最多 20 类用 tab20。

    4. 数据会回绕（角度、相位）吗？ 使用循环型 colormap。twilight 是现代最佳选择。

    5. 受众包含色觉缺陷用户吗？ 顺序型用 cividis 或 viridis。避免 RdYlGn 这类红绿组合。

    6. 图会以灰度打印吗？ 使用 viridis, plasma, inferno, magma——它们保持亮度单调变化。

    可访问性：色盲友好的 Colormaps

    大约 8% 的男性与 0.5% 的女性存在某种色觉缺陷，最常见的是难以区分红与绿。感知均匀的 colormap（viridis, plasma, inferno, magma, cividis）专门设计为在最常见色盲类型下仍保持可读性。

    为了可访问性应避免的 colormap： jet, rainbow, RdYlGn, RdYlBu（当红绿区分很关键时）、hot。

    为什么 jet 有害： jet colormap（从蓝经青、绿、黄到红的彩虹）在感知上不均匀，会在数据中制造“虚假的边界”。实际差异很大的区域可能看起来相似，而青绿附近的小差异却会显得非常剧烈。它对 deuteranopia（红绿色盲）用户也几乎完全失效。

    import matplotlib.pyplot as plt
import numpy as np
 
np.random.seed(42)
data = np.random.rand(15, 15)
 
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
 
axes[0].imshow(data, cmap='jet')
axes[0].set_title('jet (avoid for scientific use)')
 
axes[1].imshow(data, cmap='cividis')
axes[1].set_title('cividis (colorblind-safe)')
 
plt.tight_layout()
plt.show()

    列出所有可用的 Colormaps

    查看你当前 Matplotlib 版本中所有可用的 colormap：

    import matplotlib.pyplot as plt
 
# All colormap names, sorted
all_cmaps = sorted(plt.colormaps())
print(f"Total colormaps: {len(all_cmaps)}")
 
# Filter out reversed versions
base_cmaps = [c for c in all_cmaps if not c.endswith('_r')]
print(f"Base colormaps (excluding _r): {len(base_cmaps)}")

    将它们可视化展示：

    import matplotlib.pyplot as plt
import numpy as np
 
gradient = np.linspace(0, 1, 256).reshape(1, -1)
 
cmaps_to_show = ['viridis', 'plasma', 'inferno', 'magma', 'cividis',
                 'coolwarm', 'RdBu', 'seismic',
                 'tab10', 'Set1',
                 'twilight']
 
fig, axes = plt.subplots(len(cmaps_to_show), 1, figsize=(10, len(cmaps_to_show) * 0.5))
fig.subplots_adjust(hspace=0.4)
 
for ax, name in zip(axes, cmaps_to_show):
    ax.imshow(gradient, aspect='auto', cmap=name)
    ax.set_ylabel(name, rotation=0, labelpad=80, fontsize=10, va='center')
    ax.set_xticks([])
    ax.set_yticks([])
 
fig.suptitle('Matplotlib Colormap Samples', fontsize=14, y=1.01)
plt.tight_layout()
plt.show()

    使用 PyGWalker 进行交互式可视化

    在交互式探索数据集时，为每张图手动配置 colormap 可能会拖慢节奏。PyGWalker (opens in a new tab) 是一个开源 Python 库，可以把任意 pandas 或 polars DataFrame 直接变成 Jupyter 内的 Tableau 风格交互界面。你可以将变量拖到坐标轴上、指定颜色编码、切换可视化类型——无需手写 colormap 或绘图代码。

    import pandas as pd
import pygwalker as pyg
 
# Load your data
df = pd.read_csv('your_data.csv')
 
# Launch the interactive UI -- color encoding, binning, and filtering are all point-and-click
walker = pyg.walk(df)

    这在探索性分析阶段尤其有用：你可能还在决定该可视化哪些变量、用什么颜色编码最清晰。一旦找到合适的图形，你随时可以在 Matplotlib 中用精确的 colormap 配置进行复现。

    常见陷阱与规避方法

    PitfallProblemSolution
    默认使用 jet感知不均匀、不可访问换成 viridis 或其他感知均匀 colormap
    用发散型映射来表示顺序数据暗示了不存在的中点改用顺序型映射
    用顺序型映射来表示发散数据掩盖“高于/低于中心”的差异改用发散型映射，并对称设置 vmin/vmax
    发散型映射未设置 vmin/vmax中性色可能无法对齐 0显式设置对称范围
    类别太多却用顺序型映射颜色相近难区分使用定性映射（tab10, Set1）
    忽略色觉缺陷用户约 8% 的男性读不懂你的图使用 viridis、cividis 或用色盲模拟测试

    FAQ

    Matplotlib 中的 colormap 是什么？

    Matplotlib 的 colormap 是一种把标量数值映射为颜色的函数。它接受 0 到 1 之间的值，并返回一个 RGBA 颜色元组。colormap 常用于 imshow、scatter、contourf、pcolormesh 等函数，通过颜色渐变来表达数据。你可以用 plt.colormaps['name'] 访问，或在 cmap 参数中传入名称字符串。

    如何为数据选择合适的 colormap？

    顺序数据（从低到高）使用 viridis、plasma 或 inferno。发散数据（相对中心偏离）使用 coolwarm 或 RdBu。分类数据使用 tab10 或 Set1。角度等循环数据使用 twilight。同时务必考虑可访问性——viridis 与 cividis 对色盲用户更安全。

    如何在 Matplotlib 中创建自定义 colormap？

    使用 matplotlib.colors.ListedColormap 可从指定颜色列表创建 colormap；使用 matplotlib.colors.LinearSegmentedColormap.from_list('name', colors) 可在锚点颜色之间创建平滑渐变。通过 plt.colormaps.register() 注册后即可按名称使用。

    如何反转 Matplotlib 的 colormap？

    在任何 colormap 名称后追加 _r 即可。例如 cmap='viridis_r' 是 viridis 的反转版，适用于所有内置 colormap。对于自定义 colormap，可以对 colormap 对象调用 .reversed() 方法。

    为什么应该避免使用 jet colormap？

    jet 存在感知不均匀问题，会制造虚假的边界并掩盖真实模式；对红绿色盲用户也不友好。Matplotlib 在 2.0 版本将默认 colormap 从 jet 改为 viridis，正是因为这些缺陷。建议使用 viridis、plasma 或 cividis。

    如何给 Matplotlib 图添加 colorbar？

    调用 plt.colorbar(mappable)，其中 mappable 是 imshow、scatter、contourf 等函数返回的对象。可通过 label、orientation（'horizontal'/'vertical'）、shrink、pad 等参数进行自定义；也可以通过 cbar.ax 访问 colorbar 的轴对象做更细粒度控制。

    总结

    colormap 并不是装饰性的选择——它是功能组件，决定了你的可视化是在诚实传达信息，还是在误导读者。Matplotlib 提供了庞大的内置 colormap 库，并按四个清晰的类别组织（顺序型、发散型、定性、循环型），同时也提供了在需要时从零构建自定义 colormap 的工具。对任何顺序数据而言，感知均匀系列（viridis, plasma, inferno, magma, cividis）都应作为默认起点。对发散数据，选择 coolwarm 或 RdBu 等映射，并始终让中性色对齐到数据中具有意义的中心点。分类数据使用 tab10 或 Set1。同时永远要考虑受众——使用对色盲友好的 colormap 不是可选项，而是专业实践的一部分。

    📚