写Python可视化相关的内容，绕不开一个看起来很不起眼、实际上决定整张图质感的组件——colorbar。说得再直白一点，就是色表（colormap）。很多新手一开始不重视它，随手用默认的“jet”或者“viridis”，等到图做出来才发现：老板看不懂、论文审稿人说颜色误导、自己再看也想不起来当时标注的是什么。我在过去十几个数据可视化项目里，几乎每一轮都有人过来问“你这个颜色是怎么调的”“为什么我的图一上色就糊成一片”。这篇就把Python里colorbar和colormap的完整细节一次讲清楚，从分类、内置色表到截取、反转、自定义，再到常见的坑和排查方法，全部走一遍。适合刚入门Python可视化的人，也适合已经用matplotlib画了很长时间但始终对配色心里没底的哥们儿。
1. 从零认识colorbar：它远不只是“配色好看”
1.1 colorbar的本质是数据的“翻译器”
很多人把colorbar当装饰品，觉得加一个上去显得专业。但它的本质是一个映射关系：把数据数值范围映射到颜色空间。你画的pcolor、imshow、contourf、scatter，凡是带颜色映射的图，本质上都是借助colormap把某个数值区间编码成肉眼可见的颜色。这个编码如果不合理，直接后果就是：本应该被一眼看出的分布规律，被颜色扰动掩盖掉了。
举个最典型的反面教材：老的“jet”色表。它的色相变化里引入了亮度和饱和度的强烈波动，导致同一数值附近的颜色跳变很剧烈，人眼容易产生伪边缘、伪结构。很多老文献里的热力图就是用jet画的，细看会发现颜色过渡有明显的“条纹感”，这不是数据本身的问题，而是色表编码方式的问题。正因为这个原因，从matplotlib 2.0开始，默认色表换成了viridis，它属于感知均匀（perceptually uniform）的色表。
所谓感知均匀，指的就是：数值每变化相同大小，人眼感知到的颜色变化也大体相同。这个性质在做连续型数据分布图时非常重要。viridis、plasma、inferno、magma、cividis这几款，都是按这个思路设计的，实测下来比老花哨色表都要可靠。
1.2 colormap的三大阵营：顺序型、发散型、定性型
要配好颜色，先要搞清楚数据性质。我把colormap分成几大类，对应不同场景：
- 顺序型（Sequential）：适用于从低到高单向变化的数据，比如温度、密度、概率、浓度。亮度从浅到深，或从暗到亮，逻辑非常自然。
- 发散型（Diverging）：适用于有明确中心值（通常是零或平均值）的数据，比如温度距平、误差、涨跌幅。两侧颜色不同，中间颜色最淡，能清楚表达“高于中心”和“低于中心”。
- 定性型（Qualitative）：适用于类别数据，比如不同城市、不同物种、不同分组。这类色表不表达大小，只表达“不同”，所以要用色相差明显的离散颜色，不能用渐变。
- 循环型（Cyclic）：适用于角度、相位、一天内的时间这类首尾相接的数据。比如风向、24小时变化周期。
这个分类不是死的，但选错一定会让读者误会。比如用连续的蓝到红发散色表去画类别数据，读者会自动脑补“红的大、蓝的小”，如果类别本身没有大小关系，这张图就在误导人。反过来，用定性型色表画温度场，也看不出高低梯度。所以拿到数据先问自己三个问题：数据是连续还是离散？有没有中心值？有没有天然循环？答完这三个问题，选色表的方向基本就定了。
2. Matplotlib内置色表全盘点：从经典到冷门
2.1 顺序型色表细节：什么时候用viridis，什么时候用“单色系”
先说matplotlib 3.5之后查看所有内置色表最简单的方式：
import matplotlib.pyplot as plt cmaps = plt.colormaps() for name in cmaps: print(name)plt.colormaps()会返回一个列表，里面是所有可用色表的名字。老一点的版本里，很多人用plt.cm.datad或dir(plt.cm)，那个方式也能看，但列表里会有很多内部对象，不如现在的接口干净。
顺序型色表里最稳妥的还是viridis、plasma、inferno、magma、cividis这五个兄弟。它们的共同点是感知均匀、无障碍友好（色盲也能分辨）。区别在于整体色调：viridis偏蓝绿黄，plasma偏紫红黄，inferno和magma偏黑红黄，cividis是专门为色觉障碍者优化的蓝黄渐变。
如果再细分，一般地图、科学可视化里我用viridis最多，因为它暗部和亮部对比明显，画地形、密度场、命中率热力都合适。plasma和magma在偏暗的底图上更突出，画星空图、夜间灯光数据时视觉重心更清晰。cividis适合要打印成黑白或要满足无障碍标准的场合。
除了这五个，还有一系列“老牌单色系”色表，比如Blues、Greens、Oranges、Reds、Purples、Greys，以及带色相的YlOrRd、BuPu、GnBu这些。它们的共同特点是同色系渐变，层次干净、不花哨，画业务图表、论文配图时非常百搭。我个人的习惯是：需要强调某一个方向幅度的数据，例如用带色相的顺序型（YlGnBu）来画降水分布，从浅黄到深蓝逐级加深；需要低调、不想抢内容风头时，就只用Reds或Blues。
2.2 发散型色表：有正有负的数据不要乱配
发散型色表的经典代表有RdBu、RdYlBu、Spectral、coolwarm、bwr、seismic、PiYG、PRGn等。它们的共同结构是两端颜色深、中间颜色浅。中间这个浅色就是“零值”或“基准值”所在的位置。
什么场景用哪种？这里有几个经验：
- 地理气象类数据（温度距平、降水偏差）常用RdBu或RdBu_r。蓝表示偏低、红表示偏高，符合多数人的直觉。
- 金融或经济类涨跌数据，红涨绿跌是国内习惯，但欧美常用绿涨红跌，画图前先确认观众背景。
- coolwarm和bwr是偏中性、低饱和度的发散色表，适合科研论文里温和展示正负差异，不会太刺眼。
- seismic的红蓝对比最强，适合强调极端异常值，画地震、突变类数据效果突出。
发散型色表有个大坑：如果你忘记设置vmin和vmax，而数据本身不对称（比如-1到100），colorbar的中心颜色会落在数值范围的中间，而不是零值。这样读者会认为“0附近”是那个浅色区，实际显示的是50附近，整个图的语义就错了。这个下面实操部分会详细展开。
2.3 定性型色表：类别数据别乱用渐变
定性型色表的核心是“类间差异清晰”。matplotlib内置的有tab10、tab20、tab20b、tab20c、Set1、Set2、Set3、Paired、Accent、Dark2、Pastel1、Pastel2等。
实际项目中tab10和tab20最常用，因为它们的颜色来自Tableau的设计，饱和度适中，相邻色相区分明显。Paired适合天然成对出现的类别，比如对照组和实验组、男女分组、治疗前后。Dark2颜色偏暗，适合浅色背景上放大量元素。Pastel系列的饱和度高但明度高，适合做PPT背景柔和那种风格。
类别少了还好办，一旦类别超过10个，任何定性型色表都会出现视觉上难以区分的颜色。我的处理办法是：先减少类别，把不重要的小类合并成“其他”或“未知”这一类，再用颜色较浅的灰色或单色表示。如果类别数量真的压缩不下来，就用柱状图或分面图替代单张散点图，别硬塞进一张图里。这个我在后面“常见问题”部分还会再提。
2.4 循环型和其他特殊色表
循环型色表主要就是twilight、twilight_shifted和hsv。twilight的感知均匀性比hsv好很多，适合画角度、相位、风向、时间周期这类数据。hsv饱和度过高，颜色之间跳跃感强，不适合做连续数据映射，除非你真的要做那种“彩虹大杂烩”式的展示，否则不推荐。
另外还有几个特殊用途色表值得一提：
- turbo：Google设计的彩虹色表，比老jet平滑很多，但仍然是彩虹风格，适合“演示用”和“大范围对比用”，不适合严谨的定量分析。
- cubehelix：这个色表很特别，它从暗到亮、同时色相螺旋式变化，适合打印成灰度图后依然能保持顺序感。画天文数据时经常见到它。
- terrain、gist_earth、ocean：模拟地形地貌的专用色表，适合画海拔、水深、地形分类图。
- flag、prism：配色跳跃性极强，视觉冲击大但基本没有定量意义，一般只适合装饰性效果。
matplotlib的colormap列表看起来很多，真正用顺手的也就十几个。我的建议是不要追求用遍所有色表，先掌握五六个核心的，再根据项目场景拓展，这样比盲目翻列表效率高得多。
3. 动手实践：在Python里把色表用明白
3.1 5分钟快速查看并试用所有内置色表
想知道某个色表长什么样子，最简单的办法是直接生成一个渐变预览条：
import matplotlib.pyplot as plt import numpy as np def show_cmap(cmap_name): fig, ax = plt.subplots(figsize=(6, 1)) grad = np.linspace(0, 1, 256).reshape(1, -1) ax.imshow(grad, aspect='auto', cmap=plt.get_cmap(cmap_name)) ax.set_xticks([]) ax.set_yticks([]) ax.set_title(cmap_name) plt.show() show_cmap('viridis') show_cmap('RdBu') show_cmap('tab20')这里我用了np.linspace生成一个从0到1的渐变数组，再通过imshow的cmap参数渲染出来。你不需要真造一份有物理意义的数据，纯用来认色表非常快。
有一点要提醒：新版本matplotlib里，plt.get_cmap(name)已经被标记为过期，推荐写法是matplotlib.colormaps[name]或matplotlib.colormaps.get_cmap(name)。为了兼容，我一般写成下面这样：
from matplotlib import colormaps cmap = colormaps['viridis']如果还是习惯plt.get_cmap，也能跑，但控制台会一直提示被弃用。建议尽早改掉这个习惯。
3.2 完整示例：热力图、等高线图与3D图三连
直接上一个综合案例，把主流的颜色映射场景都覆盖到。
import numpy as np import matplotlib.pyplot as plt from matplotlib import colormaps # 造一组二维数据，模拟地形高度 x = np.linspace(-3, 3, 300) y = np.linspace(-3, 3, 300) X, Y = np.meshgrid(x, y) Z = np.exp(-(X**2 + Y**2)) * np.cos(4*X) * np.sin(4*Y) # 1) imshow热力图 fig, ax = plt.subplots(1, 3, figsize=(15, 4)) im = ax[0].imshow(Z, extent=[-3, 3, -3, 3], origin='lower', cmap=colormaps['viridis'], aspect='auto') ax[0].set_title('imshow + viridis') fig.colorbar(im, ax=ax[0], shrink=0.8) # 2) contourf等高线填充图 cf = ax[1].contourf(X, Y, Z, levels=20, cmap=colormaps['coolwarm']) ax[1].set_title('contourf + coolwarm') fig.colorbar(cf, ax=ax[1], shrink=0.8) # 3) 3D曲面图 ax3 = fig.add_subplot(1, 3, 3, projection='3d') surf = ax3.plot_surface(X, Y, Z, cmap=colormaps['magma'], linewidth=0, antialiased=True) ax3.set_title('plot_surface + magma') fig.colorbar(surf, ax=ax3, shrink=0.6, aspect=15) plt.tight_layout() plt.show()这段代码执行后你会看到三种不同的可视化效果。imshow适合规则网格数据；contourf适合看轮廓和趋势；plot_surface适合三维形态展示。三种图加colorbar的方式都差不多，fig.colorbar(绘图对象, ax=对应坐标轴)就行。
画3D图时额外注意colorbar的shrink和aspect参数。3D图自身坐标轴占的空间和2D不一样，colorbar默认高度可能太长或太短，我一般会把shrink设成0.6~0.8，aspect设10~15，出来的比例比较协调。
3.3 截取、反转与拼接色表：让内置色表为你服务
很多时候内置的完整色表范围太大，我只想用其中一部分。比如我用viridis但只想取它中间偏亮的那段，用来和另一张图保持统一的色彩感受。这时可以按索引截取：
import matplotlib.colors as mcolors full_cmap = colormaps['viridis'] truncated = mcolors.ListedColormap(full_cmap(np.linspace(0.3, 0.9, 256))) # 使用截取后的色表 plt.imshow(data, cmap=truncated)原理很简单：先调用full_cmap(np.linspace(...))，把一个连续色表在指定的数值区间上采样成256个RGBA颜色，再用ListedColormap重新包装成一个新的离散色表。这样新色表只保留原色表的0.3到0.9区间。
反转就更常见了。只要在色表名后面加_r后缀即可：
plt.imshow(data, cmap='viridis_r') plt.imshow(data, cmap='RdBu_r')_r后缀适用于所有内置色表，也适用于你用ListedColormap创建的对象。它的意义不只是把颜色倒过来，还决定了数据从低到高时颜色是从深到浅还是从浅到深，能直接影响读者对趋势方向的判断。
拼接两个色表也是实际中常遇到的需求。例如我想把“蓝到白”和“白到红”拼成一个发散型色表，中心是白色：
import numpy as np import matplotlib.colors as mcolors # 采样蓝到白、白到红各256个颜色 blue_white = colormaps['Blues_r'](np.linspace(0.2, 1.0, 256)) white_red = colormaps['Reds'](np.linspace(0.2, 1.0, 256)) # 拼接 colors = np.vstack([blue_white, white_red]) custom_diverging = mcolors.ListedColormap(colors, name='custom_diverging')这里的关键是采样区间的选择。如果两侧都从0到1采样，拼接处颜色会偏深，中心不够白，发散感大打折扣。我通常会从0.2左右开始截，保留白到中间的那段过渡，这样拼接后中心是真正的浅色，视觉上才平滑。
3.4 自定义colormap：从颜色列表到渐变方案
除了截取拼接，自己从零定义colormap也很常用。最简单的场景是品牌色适配，比如公司VI色是深蓝和金色，你想做一张和公司风格统一的图。
方法一：LinearSegmentedColormap，适合颜色数量少的平滑渐变：
from matplotlib.colors import LinearSegmentedColormap colors = ['#1a3a5c', '#2e6f9e', '#f0c75e'] brand_cmap = LinearSegmentedColormap.from_list('brand', colors, N=256)from_list会自动在给出的几个颜色之间做线性插值，生成256个过渡色。想要调整插值位置，可以用字典形式控制每个颜色在0到1区间的位置：
cdict = { 'red': [(0.0, 0.1, 0.1), (0.5, 0.3, 0.3), (1.0, 0.9, 0.9)], 'green': [(0.0, 0.2, 0.2), (0.5, 0.8, 0.8), (1.0, 0.8, 0.8)], 'blue': [(0.0, 0.4, 0.4), (0.5, 0.6, 0.6), (1.0, 0.2, 0.2)] } custom = LinearSegmentedColormap('custom', cdict)这个字典里，每一列从左到右分别是位置、左侧颜色分量值、右侧颜色分量值。一般情况下左右两侧保持一致就行，不推荐把两个值设得不同，否则会出现颜色跳变的段。
方法二：ListedColormap，适合离散类别颜色：
from matplotlib.colors import ListedColormap discrete_cmap = ListedColormap(['#e74c3c', '#f39c12', '#2ecc71', '#3498db'])这种方式创建的色表在colorbar上显示为一段一段的色块，适合类别型数据。配合BoundaryNorm使用，可以让每个类别精确对应数值区间：
import matplotlib.colors as mcolors bounds = [0, 1, 5, 10, 20] norm = mcolors.BoundaryNorm(bounds, discrete_cmap.N) plt.scatter(x, y, c=values, cmap=discrete_cmap, norm=norm)这样做的好处是colorbar的刻度会正好落在边界位置，不会出现半个色块悬空的尴尬情况。
4. 常见问题与排查技巧实录
4.1 colorbar的范围和图像对不上
这是最常遇到的问题之一。明明数据最大值是100，colorbar却只显示到80，或者数据的中心零值没有映射到颜色中心。
根源通常是vmin和vmax没有设置。matplotlib在多数情况下会根据数据的min和max自动设定norm范围，但当你对数据做了裁剪、掩膜、或者使用不同子集作图时，自动范围就不一定是你要的范围。解决办法是显式传入vmin和vmax：
plt.imshow(data, cmap='RdBu', vmin=-2, vmax=2)对发散型色表，这里尤其重要。你还应该用diverging norm或者额外交代中心位置。matplotlib里可以这样强制中心为零：
from matplotlib.colors import TwoSlopeNorm norm = TwoSlopeNorm(vmin=-1, vcenter=0, vmax=3) plt.imshow(data, cmap='RdBu', norm=norm)TwoSlopeNorm保证了0值正好落在色表中心，即使vmin和vmax的绝对值不对称。这是处理正负不对称数据最优雅的方案，我用它解决过好几次reviewer提出“中心颜色不对”的问题。
4.2 保存PDF或矢量图后颜色出现色块或偏差
这个问题常见于保存矢量图时使用了透明通道或高dpi设置。如果你发现PNG导出正常，PDF导出后颜色断裂、边缘出现白线，多半是反锯齿和alpha通道的问题。几个可行方案：
- 保存时关闭透明背景：plt.savefig('out.pdf', transparent=False)
- 增加dpi：plt.savefig('out.pdf', dpi=300)
- 使用pdf或svg输出时，如果还出现白线，试试plt.savefig('out.pdf', facecolor='white')
colorbar本身的显示问题还可能是因为shrink、aspect参数设置不当导致colorbar拉伸变形。变形本身不影响数据映射，但会让数值刻度看起来不真实，影响阅读体验。一般把aspect设8~20，shrink设0.7~1.0之间，绝大多数情况下都能得到适中比例。
4.3 数据是离散类别，但colorbar显示成了连续渐变
这种问题的典型表现是：类别图颜色像彩虹一样渐变的，完全看不出是不同类。原因很简单——你把类别数据传给了连续型colorbar，比如直接用了'viridis'而没用定性型色表。
正确做法是使用离散色表，并通过norm限制颜色边界：
import matplotlib.colors as mcolors labels = np.array([0, 1, 2, 3, 4]) cmap = ListedColormap(['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']) norm = mcolors.BoundaryNorm(np.arange(-0.5, 5, 1), cmap.N) plt.scatter(x, y, c=labels, cmap=cmap, norm=norm) plt.colorbar(ticks=np.arange(5))这里BoundaryNorm把边界设在[-0.5, 0.5, 1.5, ...]的位置，确保每个整数标签对应一个色块中心。
如果类别之间没有顺序关系，但你还想用渐变色表，我建议你停下来重新想一下：同一个渐变色表本身就在暗示“量”的增减，用在类别上哪怕颜色不同，读者也会下意识地给不同类别排序。这个问题是设计层面的，不是代码层面的，换了色表也救不回来。
4.4 colorbar标签显示科学计数法，或者想改成百分比
colorbar默认根据数值范围自动选择刻度格式。当数据跨度很大时，会显示成1e6、1e-4这种样式，有些场景是合理的，但在汇报材料里并不友好。
手动格式化colorbar刻度有两种常用方式：
方式一，用固定格式：
import matplotlib.ticker as ticker cb = plt.colorbar(im, ax=ax) cb.ax.yaxis.set_major_formatter(ticker.FormatStrFormatter('%.1f'))方式二，显示成百分比：
cb = plt.colorbar(im, ax=ax) cb.ax.yaxis.set_major_formatter(ticker.PercentFormatter(xmax=1.0))PercentFormatter会把刻度值乘以100并加百分号。如果你的数据本身就是0到1的小数，xmax=1.0即可。如果数据是0到100但你想显示带百分号，就把xmax设成100。
4.5 不同子图共用同一个colorbar，怎么做才统一
做多子图对比时，最忌讳每个子图自动用自己的数值范围，这样会导致颜色在不同子图间含义不一致，读者根本没法横向对比。
解决办法是给所有子图的绘图调用传相同的vmin和vmax：
import numpy as np import matplotlib.pyplot as plt fig, axes = plt.subplots(1, 3, figsize=(12, 4), sharey=True) data_list = [data1, data2, data3] vmin = min(d.min() for d in data_list) vmax = max(d.max() for d in data_list) for ax, data in zip(axes, data_list): im = ax.imshow(data, cmap='viridis', vmin=vmin, vmax=vmax) fig.colorbar(im, ax=axes, shrink=0.8) plt.show()当所有子图共用同一个vmin和vmax后，最后只要把最后一个im对象传给colorbar即可。如果你想更精细地控制，也可以用fig.colorbar(im, ax=axes.tolist(), location='right')，明确告诉colorbar画在哪里。
如果几张图的量纲差异实在太大，共用范围会导致某张图颜色几乎不变，这时候你需要思考的不是怎么调整colorbar，而是是否应该用归一化数据、差分数据、或分开展示，而不是强行共用色表。
5. 几个实战中的配色策略建议
前面讲了原理，再补充一些我在实际项目中沉淀下来的策略。
第一套策略是“默认优先”。只要你对可视化效果没有特别强烈的设计想法，就先选viridis或者cividis。这两个色表在绝大多数环境（PPT投影、手机屏幕、论文黑白打印）下都表现稳定，不容易翻车。等确实遇到需要突出中心值（RdBu）、需要类别色（tab10）、需要循环色（twilight）的场景，再去换。
第二套策略是“先定语义再定颜色”。比如画降水：多数人直觉里蓝色代表强降水，所以用蓝色系或蓝绿色系做顺序型，而不是用红色系。画海拔：绿色是低处、棕白色是高处，用terrain类色表更符合常理。画涨跌：国内习惯红涨绿跌，那发散型色表 center=0 时把红放在正方向，绿放在负方向。语义比好看重要得多。
第三套策略是“考虑灰度打印”。如果论文、报告可能需要黑白打印，彩色图会变成灰色层次图，这时选色表要看它的亮度变化是否均匀。viridis、cubehelix、cividis在转灰度后依然有比较清晰的梯度。相比之下，很多高饱和度色表转灰度后会糊成一团。一个快速检查办法是：plt.cm.get_cmap('viridis')拿到的颜色数组，把所有RGB值转成灰度值，看看排列后是不是单调变化。实际项目中我直接用matplotlib自带的色表可视化界面，或者提前用ColorMaps的亮度曲线检查，几分钟就能判断。
第四套策略是“不迷信默认colorbar的位置”。colorbar默认在右侧，但在一些横幅式宽图或分面图里，把colorbar放在底部、或者放在某个特定子图旁会更协调。常见做法：
# 放在底部 fig.colorbar(im, ax=axes, orientation='horizontal', fraction=0.05, pad=0.15) # 只挂在某一个子图旁 fig.colorbar(im, ax=axes[2], shrink=0.8, location='right')orientation='horizontal'配合fraction和pad，能让底部colorbar高度、边距可控，不挤压上方的主体图像。location参数在较新的matplotlib里支持'left'、'right'、'top'、'bottom'，灵活很多。
还有一个小点：colorbar的label不要写单位就完事，最好把“含义”和“单位”都写清楚。比如“温度（°C）”就比“°C”更容易让读者理解。如果数据经过归一化或对数变换，一定要在label里注明“log10尺度”或“归一化到0-1”。这是我被审稿人质疑过好几次后踩出来的教训，细节决定professionalism。
我自己在实际操作里的体会是，colorbar这层颜色映射看着不起眼，但它直接决定了读者从图里读到的第一个信息是不是对的。花10分钟想清楚数据语义、选对色表种类、设好vmin/vmax和norm，比花一个小时去后期调色要有效得多。最后再分享一个小技巧：如果你不确定某张图用哪个色表更合适，就把同一个图用viridis、RdBu、cividis各出一个小图，并排放到屏幕上，距离屏幕两米看，最顺眼的就是最适合你的。这个土办法帮我筛掉了不少“近距离看很好、远距离看很乱”的配色方案。
