（学术）配色和绘图相关知识、资源和建议

一、色彩（基础知识）

1、两类色彩空间

• RGB（三色构成任何色） — 屏幕显示
• CMYK — 印刷

2、最直观的色彩模式 —— HSL

色调（H）、饱和度（S）、亮度（L） ； 色轮上任何颜色均可由HSL构建

• 色调 ：即颜色名
• 亮度 ： 不赘述
• 饱和度 ：鲜艳程度（不要太高，否则会刺眼）

3、16进制颜色代码 ：RGB的另一种呈现方式

• 白色 —— #FFFFFF （255，255，255）

二、配色工具和参考资料

• 多色彩配色工具（>5种）：https://www.toptal.com/designers/colourcode

• Adobe Color CC https://color.adobe.com/zh/create

• 四色配色网站：colordrop.io 、 color.hailpixel.com

• 五色配色网站：klart.io/colors

• 三色配色网站：https://colors.lol/

• 双色配色网站：vanschneider.com/colors

• khroma.co 人工智能配色（根据自己喜欢的50种颜色，智能组合）

• 渐变色配色：https://uigradients.com/#NoontoDusk

• 图片搜索 : https://www.behance.net/
  （可以获取不同颜色下的优秀作品）可以拿到颜色提取工具（例如Adobe Color CC支持该功能）里提取颜色，学习方案。

三、配色注意事项

1、突出重点，严禁亮色底+亮色图。

2、善用光感、渐变、透明度

3、保持主题一致，从主要内容（例如徽章等中提取背景色）

4、配色原则：

• 不刺眼（饱和度不要太高）

• 亮度可适当调整（饱和度调低后若颜色过于压抑，可略提高亮度）

• 调整色调 —— 选最舒服的颜色。

四、科研绘图配色

1、整篇论文的所有配图，应当有一个主色调，然后使用近似色（互补色、组合色）作辅助色。尽量使用柔和的颜色（不要选刺眼的纯色）。

2、配色要突出关键信息、展示逻辑关系。

3、一些基础的数据点、线配色和字体建议（主要摘自https://www.bilibili.com/video/BV1J7411G7Uv?spm_id_from=333.999.0.0；视频内容有例子，更详细）

（1）单条数据线（点）：

• 常用红色、黑色；可用深灰蓝、深紫蓝；不适合用绿色橙色等中间颜色。

• 需要叠加其它彩色信息时，适合用黑色；细密、噪音大的数据适合用深灰色。

• 灰度图、伪彩色图中的线条、标记适合用较亮的彩色（红黄橙）

• 多彩色图（底色）中的同类型数据点适合用黑色（可以加轮廓）

• 多彩色图（底色）中的线可以用和背景色对比强烈的颜色

（2）两条数据线：

• 黑-红/蓝/绿 常用于主次对比

• 红蓝对比：用于对等数据对比，常用

• 互补色对比（蓝-橙；紫红-青绿）

• 深浅对比（黑-灰；深蓝-浅蓝；深红-浅红；）一般用于表示同一个量不同处理下的变化

• 饱和度对比（灰-红；灰-蓝）常用于背景数据（灰色）上叠加的拟合线、平滑线

（3）字体：

• 若期刊无特定要求，建议首选sans serif（无衬线）字体

• 非必要不加颜色和粗斜

• 数量-单位/运算符 之间记得空格

4、多看领域内顶级期刊的文章配图和期刊的刊文要求，学习配色方案。

5、从优秀文章中抽取配色是最好的配色/学习方案：此处给出一段提取配色的Python代码：

1.# 该函数用于提取配色
2.# 建议提供PNG或JPEG格式
3.# 支持远程连接
4.import numpy as np
5.import pandas as pd
6.from PIL import Image
7.import matplotlib.pyplot as plt
8.from haishoku.haishoku import Haishoku 
9.%matplotlib inline
10.
11.def get_coloring_scheme(path):
12.    Haishoku_result = Haishoku.loadHaishoku(path)
13.    percentage = []
14.    rgb_255 = []
15.    rgb_1 = []
16.    pd.set_option('max_colwidth', 512) #强制放大单元格宽度
17.    for i in Haishoku_result.palette:
18.        percentage.append(i[0])
19.        rgb_255.append(i[1])
20.        rgb_1.append(tuple(np.array(i[1])/255))
21.
22.    df = pd.DataFrame({'percentage':percentage,'rgb_255':rgb_255,'rgb_1':rgb_1})
23.    print(df.to_string()) #这样展示会美观些，不会换行
24.
25.    color_map = rgb_255
26.    fig, axs = plt.subplots(1, len(color_map), figsize=(20,20))
27.
28.    for i, color in enumerate(color_map):
29.        img = Image.new('RGB', (6, 6), color)
30.        ax = axs[i]
31.        ax.set_title(color)
32.        ax.set_xticks([]) # 去掉轴
33.        ax.set_yticks([])
34.        ax.imshow(img)
35.    plt.show()
36.
37.get_coloring_scheme('./image/example.png')

五、图表选择和绘制

1、图表选择参考

• https://www.data-to-viz.com/#density （最推荐）

• https://datavizcatalogue.com/ZH/ （数据可视化工具/图表目录）

• http://tuzhidian.com/?shape=Scatter （图之典）

• https://www.youtube.com/watch?v=KzyvIBjBkuc（与不同数据关系逻辑匹配的图形）

• https://blog.adioma.com/how-to-think-visually-using-visual-analogies-infographic/ （使用图表的一些建议）

2、考虑特殊人群（主要指色盲人士）

参考： https://www.nature.com/articles/d41586-021-02696-z

红绿色盲（red–green colour blindness）是最常见的色觉辨认障碍；蓝黄色盲（blue–yellow colour blindness）次之，而全色盲（achromatopsia，即无法辨认大多数的颜色）则更罕见。

不当的颜色选择会使数据失真；彩虹颜色方案很可能扭曲数据。
人们分辨红色的能力通常不如其他颜色，因此严重依赖红色的色彩组合会掩盖数据细节。
有些颜色方案难以很好地转化为灰度——当科学家打印黑白版的论文供离线阅读时，这会导致问题。

因此：
为了绘制无阅读障碍的图形，需要：

• 尽量不使用彩虹颜色方案。多使用感知上统一的颜色方案，如viridis或cividis。

• 避免使用红色。特别是结合绿色一起使用时。

• 使用灰色。在灰度中检查图像，或将颜色处理为完全不饱和。

• 选择人人都适用的调色板，如Color Universal Design或Color Blind 10 Palette，或使用i want hue或Viz Palette创建独家调色板。

• 思路放宽。使用形状和线条纹理等特征来区分颜色。

• 提前测试。使用Color Oracle或Coblis等模拟器，以确保每个人都能准确理解图像。

3、基础绘图代码片段集锦

• Python https://www.python-graph-gallery.com/

• R https://r-graph-gallery.com/