Seaborn 调色板 - 绿叶网

在 Seaborn 中，我们还可以使用调色板来自定义自己喜欢的颜色风格。对于 Seaborn 来说，它提供的调色板主要包括以下 3 种。

分类调色板。
连续调色板。
发散调色板

Seaborn 分类调色板

分类调色板，主要用于区分没有固定顺序的离散数据，最常用于散点图、柱状图、直方图等中。在 Seaborn 中，我们可以使用 set_palette() 函数来使用分类调色板。

语法：

sns.set_palette(palette)

说明：

参数 palette 是调色板主题，它的取值共有 6 种，如下表所示。

参数 palette 的取值
取值	说明
deep	深色系
pastel	浅色系
dark	暗色系
bright	亮色系
muted	哑色系
colorblind	色盲系

示例 1：Seaborn 使用分类调色板

import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 定义调色板
sns.set_palette('deep')

# 加载内置数据集
df = sns.load_dataset('tips')
# 重命名列
column_map = {
    'total_bill': '账单',
    'tip': '小费',
    'sex': '性别',
    'smoker': '是否吸烟',
    'day': '星期',
    'time': '餐段',
    'size': '人数'
}
df.rename(columns=column_map, inplace=True)

# 绘制图表
sns.barplot(data=df, x='星期', y='账单', hue='星期')

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 使用深色系（deep）调色板

分析：

sns.set_palette('deep') 表示使用深色系的调色板。需要注意的是，调色板必须在绘图函数之前进行设置，否则可能就会有问题。此外对于这个例子来说，下面 2 种方式是等价的。

# 方式 1
sns.set_palette('deep')

# 方式 2
sns.set_palette(palette='deep')

当我们使用 sns.set_palette('pastel') 时，此时效果如下图所示。

Seaborn 使用浅色系（pastel）调色板

当我们使用 sns.set_palette('dark') 时，此时效果如下图所示。

Seaborn 使用暗色系（dark）

当我们使用 sns.set_palette('bright') 时，此时效果如下图所示。

Seaborn 使用亮色系（bright）

当我们使用 sns.set_palette('muted') 时，此时效果如下图所示。

Seaborn 使用哑色系（muted）

当我们使用 sns.set_palette('colorblind') 时，此时效果如下图所示。

Seaborn 使用色盲系（colorblind）

Seaborn 连续调色板

连续调色板，主要用于区分连续型的数据（即需要区分大小），最常用于热力图等中。在 Seaborn 中，我们可以使用 light_palette() 或 dark_palette() 这两个函数来使用连续调色板。

其中，light_palette() 函数使用是 “浅色系” 的连续调色板，而 dark_palette() 使用的是 “深色系” 的连续调色板。

语法：

sns.light_palette(color, reverse)
sns.dark_palette(color, reverse)

说明：

参数 color 用于定义基础颜色，它的取值可以是关键字（如 'red'），也可以是十六进制 RGB 值（如 '#FFFF00'）。

参数 reverse 用于定义颜色是否反向显示，默认值为 False（也就是不反向）。

示例 2：使用 light_palette()

import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 定义调色板
palette = sns.light_palette('skyblue')

# 加载数据
df = sns.load_dataset('flights')
# 重命名列
df.rename(columns={'year': '年份', 'month': '月份', 'passengers': '人数'}, inplace=True)

# 调整行列（透视表）
df = df.pivot_table(index='年份', columns='月份', values='人数', observed=False)
# 绘制图表
sns.heatmap(data=df, cmap=palette)

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 使用 light_palette()

分析：

如果想要针对热力图使用连续调色板，首先 sns.light_palette() 会返回一个值，然后我们需要在 heatmap() 函数中将 cmap 这个参数的值设置为该返回值，这样才会生效。

对于这个例子来说，下面 2 种方式是等价的。

# 方式 1
palette = sns.light_palette('skyblue')

# 方式 2
palette = sns.light_palette(color='skyblue')

我们还可以使用 reverse=True 这个参数来将连续调色板的颜色反向显示。修改后的代码如下，此时效果如下图所示。

palette = sns.light_palette('skyblue', reverse=True)

seaborn light_palette() 反向显示

示例 3：使用 dark_palette()

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 定义调色板
palette = sns.dark_palette('skyblue')

# 加载数据
df = sns.load_dataset('flights')
# 重命名列
df.rename(columns={'year': '年份', 'month': '月份', 'passengers': '人数'}, inplace=True)

# 调整行列（透视表）
df = df.pivot_table(index='年份', columns='月份', values='人数', observed=False)
# 绘制图表
sns.heatmap(data=df, cmap=palette)

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 使用 dark_palette()

分析：

同样地，我们可以使用 reverse=True 这个参数来将连续调色板的颜色反向显示。修改后的代码如下，此时效果如下图所示。

palette = sns.dark_palette('skyblue', reverse=True)

Seaborn dark_palette() 反向显示

Seaborn 发散调色板

发散调色板，主要用于区分具有 “中间值”（通常是 0）的数据。数据从中间向两端发散，两端颜色越深代表数值的绝对值越大。这种调色板最常用于展示相关性热力图、差异分析等场景。

在 Seaborn 中，我们可以使用 diverging_palette() 函数来构建发散调色板。

语法：

sns.diverging_palette(h_neg, h_pos, as_cmap)

说明：

diverging_palette() 函数可以接收很多参数，主要的如下表所示。

diverging_palette() 函数参数
参数	说明
h_neg	负值（左侧）的色相（Hue），取值 0 ~ 360
h_pos	正值（右侧）的色相（Hue），取值 0 ~ 360
s	饱和度（Saturation），默认 75
l	亮度（Lightness），默认 50
center	中心颜色，可选：'light'（默认）或 'dark'
as_cmap	是否返回 Matplotlib 的 colormap，热力图中需设为 True

示例 4：使用发散调色板

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

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 数据：生成一个 10x10 的随机矩阵，包含正负数
data = np.random.randn(10, 10)

# 定义发散调色板（蓝色-红色）
# 240 是蓝色的色相，10 是红色的色相
palette = sns.diverging_palette(240, 10, as_cmap=True)

# 绘制图表
# center=0 确保数据的 0 值对应调色板的中心颜色（白色）
sns.heatmap(data=data, cmap=palette, center=0)

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 使用发散调色板

分析：

sns.diverging_palette(240, 10, as_cmap=True) 表示生成一个从蓝色（240）过渡到白色、再过渡到红色（10）的调色板。在 heatmap() 中设置 center=0 是非常关键的一步，它保证了数据中的 0 值准确地对应到调色板的白色区域，从而让我们一眼就能看出数据的正负分布。

示例 5：自定义色相与饱和度

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

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 数据
data = np.random.randn(10, 10)

# 定义发散调色板（紫色-绿色）
# 275 是紫色的色相，150 是绿色的色相
# s=80 提高饱和度，l=55 稍微提高亮度
palette = sns.diverging_palette(275, 150, s=80, l=55, as_cmap=True)

# 绘制图表
sns.heatmap(data=data, cmap=palette, center=0)

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 发散调色板自定义色相与饱和度

分析：

通过调整 h_neg 和 h_pos 参数，我们可以轻松定制符合自己审美的发散调色板。小伙伴们可以参考标准的色轮（Color Wheel）来选择互补色作为两端的色相。