PYTHON数据可视化（二）

Seaborn库 手册翻译（二）

第二部分颜色控制。

配色是图表设计中非常重要的一方面，恰当的着色可以有效的展现数据的特征。网络上有许多学习可视化配色的资源，我比较喜欢 Rob Simmon的series of bolg posts和more technical paper(科学上网）。matplotlib文档现在也有一个很好的教程，说明了如何在内置色彩映射中构建的一些感知特性。

Seaborn让选择和使用调色板变得简单，且适合你所遇到的数据类型以及你的可视化目标。

%matplotlib inline

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

sns.set(rc={
  "figure.figsize": (6, 6)})
np.random.seed(sum(map(ord, "palettes")))

建立配色方案

最重要的用于建立独立配色方案的函数是color_palette()这个函数提供了许多（not all）在seaborn中生成颜色的方式。它在任意拥有palette参数的函数内部被使用(在某些需要多种颜色的情况下也可以转入color参数)。

color_palette()可以接受任意的seaborn调色板和matplotlib colormap(除了jet,当然你也不该用这玩意~)。它也可以接收一系列在任意有效的matplotlib格式（RGB tuples, hex color codes, or HTML color names）下设置好的颜色。它的返回值通常是一个RGB元组的list。
最后，无参数调用color_palette()会返回默认的颜色集。
相对应地，set_palette函数可以接受同样的参数，可以为所有图片设置颜色。你依旧可以在with语句下调用color_palette()来暂时修改默认调色板。(见下文)

一般而言，离开数据的具体特征讲着色都是耍流氓。所以我们分三种不同类型的调色板：分类色板、连续变化（颜色渐变）色板和发散（极端值深，中间值浅）色板，来讲解color_palette()和其他Seaborn 调色板函数。

1. Sequential，按顺序渐变的。 - Light colours for low data, dark for high data
2. Diverging，彼此之间差异变化较大的。 - Light colours for mid-range data, low and high contrasting dark colours
3. Qualitative，这个用于最大程度地显示不同类之间的差别。 - Colours designed to give maximum visual difference between classes

分类色板

分类（定类）色板是你在区分无特定顺序的离散数据时的最佳选择。

当你导入Seaborn库时，默认的颜色循环被改成一组六个颜色。这会让你想起matplotlib的颜色循环，当然咱这个漂亮多了。

current_palette = sns.color_palette()
sns.palplot(current_palette)

默认的颜色主题有6种不同的风格，
deep, muted, pastel, bright, dark和colorblind。

使用圆形颜色系统

当你有6种以上颜色需要区分的时候，最简单的方式是在一个圆形的颜色空间内划出均匀间隔的颜色。（这样的色调变化会保证亮度和饱和度不变）。这是seaborn函数中大多数的默认方式。

最为常见的方式是采用hls颜色空间，这是一个RGB值的简单转换。

sns.palplot(sns.color_palette("hls", 8