matplotlib箱线图填充颜色自定义：从入门到动态着色实战

做数据分析图表时，真正让箱线图从"能用"变成"好用"的，往往是填充颜色这个细节。默认的箱线图是空心的线条框，放多组数据在一起时，读者只能靠位置和标签去分辨谁是谁，视线要在图上来回扫好几遍。这篇文章想讲的，就是用 Python（准确说是 matplotlib）把箱线图的填充颜色按需自定义，让图自带分层、自带重点，信息一眼能看懂。适合正在学 Python 可视化的初学者，也适合日常要做数据汇报、需要把图表做得更专业的职场人。全文没有绕圈子的概念，直接给可运行的代码和背后逻辑。

1. 为什么要折腾填充颜色：默认箱线图的两个硬伤

1.1 箱线图本身信息密度很高，但默认样式拖了后腿

箱线图是少数几种"一张图塞进五个统计量"的图表：最小值、下四分位数、中位数、上四分位数、最大值，外加异常值点。这意味着只要看一眼图，就能大概判断一组数据的中心位置、离散程度、偏态方向和异常值情况。做实验对比、业务指标监控、成绩分析、AB 测试结果汇报，它都是首选。

但 matplotlib 的默认箱线图样式比较朴素：空心线框，黑色边框，没有填充面。单组数据显示还没什么问题，一旦出现三组、五组数据并排，问题就来了——所有箱子长得一模一样，只能靠横坐标标签去区分。人的视觉系统对"形状"的敏感度远不如对"颜色"的敏感度，一堆同样的空心框摆在一起，读图的人很难快速抓住"哪一组是重点""哪一组指标异常"。

这时候自定义填充颜色的价值就体现出来了。给不同数据组填充不同颜色，等于给图表加了一层视觉编码，读者不用看标签，光靠颜色就能锁定目标。

1.2 一个反直觉的事实：箱线图的填充比柱状图麻烦

如果你用过plt.bar()，会发现指定颜色特别直接：一个color='skyblue'参数就搞定了。但箱线图不是这样。

我第一次试着给箱线图加颜色的时候，很自然地写了color='lightblue'，结果只改变了边框线的颜色，箱子中间还是空的。原因在于：matplotlib 的箱线图默认是由线条型 Artist 构成的矩形框，不是带填充面的矩形。它更像统计图里的"须图"，画的是轮廓，不画的面。

要让箱线图拥有可填充的面，必须显式打开一个开关：patch_artist=True。patch在 matplotlib 里特指一类带填充区域的图形对象，比如Rectangle、Polygon、Circle。只有这个参数为True时，boxplot 内部的箱子才会从"四根线拼成的框"变成"一个可以被填充颜色的矩形 patch"，你后面设置facecolor才会生效。

提示：patch_artist=False是历史遗留的默认值，和 matplotlib 最初把 boxplot 设计成纯线条风格有关。新版本里这个默认值一直没有改，所以每画一次箱线图，都要主动打开开关。

2. 自定义填充的底层机制：boxplot 返回的字典结构

2.1 返回值bp到底是什么

调用bp = ax.boxplot(data, patch_artist=True)之后，返回的是一个 Python 字典，里面按类别存了箱线图各个组成部分的 Artist 对象列表：

要自定义填充颜色，操作对象就是bp['boxes']。这是一个列表，每个元素对应图上的一个箱子。比如三组数据，bp['boxes']长度就是 3，通过索引或 zip 循环可以逐个修改每个箱子的填充色。

这个设计其实很好用。matplotlib 把每个图形元素都当作对象暴露给你，你在绘图完成之后还能继续"追改"样式，不需要重新画图。这比某些封装好的高级绘图库要灵活得多。

2.2 指定颜色的几种方式

在 matplotlib 里，颜色可以用多种形式表示，箱线图填充同样支持：

• 内置颜色名称：'lightblue'、'salmon'、'lightgreen'
• 单字母缩写：'r'、'g'、'b'、'c'、'm'、'y'、'k'、'w'
• 十六进制色值：'#4C72B0'、'#55A868'
• RGB 或 RGBA 元组：(0.3, 0.5, 0.7)、(0.3, 0.5, 0.7, 0.6)（第四个分量是透明度）
• 灰度字符串：'0.2'到'0.9'

日常绘图我会优先用十六进制。内置颜色名称数量有限，有些颜色在不同操作系统上渲染出来略有差异，而十六进制是精确值，发给同事、放进论文、投到期刊，谁打开都一样。

下面这段代码是最基础的框架，一次性给三个箱子分别填充三种颜色：

import matplotlib.pyplot as plt import numpy as np # 构造三组示例数据 np.random.seed(42) data = [ np.random.normal(60, 10, 100), np.random.normal(75, 12, 100), np.random.normal(50, 8, 100) ] fig, ax = plt.subplots(figsize=(8, 5)) bp = ax.boxplot(data, patch_artist=True, labels=['班级A', '班级B', '班级C']) # 按顺序给三个箱子上色 colors = ['#4C72B0', '#55A868', '#C44E52'] for patch, color in zip(bp['boxes'], colors): patch.set_facecolor(color)

跑完这段，三个箱子会分别变成蓝色、绿色、红色。别急，这只是开始。要让图真正好看，边框、须线、中位数线、异常值点都得一起处理，否则会出现"彩色箱子配黑线条"的割裂感。

3. 实战一：多组数据的完整配色方案

3.1 从"能上色"到"上得好看"：推荐一套整体配色

颜色不是越花越好。同一张图里，填充色承担的是"分组标记"功能，应该彼此区分明显，同时不刺眼。下面是几个被验证过比较舒服的搭配：

对于三组数据的场景，我个人常用'#4C72B0'（蓝）、'#55A868'（绿）、'#C44E52'（红）这套组合。蓝绿红三色在绝大多数显示设备上都能拉开差距，色盲用户也能通过明度差异大致分辨。

3.2 边框、须线、中位数线一起调，才算完整

填充色只是第一步。如果你只改了facecolor，箱子的黑色边框、黑色的中位数线、黑色的须线会显得很突兀，像一块彩色积木插在黑铁丝网里。我习惯把所有非填充元素统一成一个深灰或深蓝色，让视觉焦点集中在填充色上。

import matplotlib.pyplot as plt import numpy as np np.random.seed(42) data = [ np.random.normal(60, 10, 100), np.random.normal(75, 12, 100), np.random.normal(50, 8, 100) ] fig, ax = plt.subplots(figsize=(8, 5)) bp = ax.boxplot(data, patch_artist=True, labels=['班级A', '班级B', '班级C']) colors = ['#4C72B0', '#55A868', '#C44E52'] edge_color = '#2F3542' # 深灰蓝，和彩色填充都能搭配 line_width = 1.5 for patch, color in zip(bp['boxes'], colors): patch.set_facecolor(color) patch.set_edgecolor(edge_color) patch.set_linewidth(line_width) # 统一中位数线样式：加粗，突出中心位置 for median in bp['medians']: median.set_color('#2F3542') median.set_linewidth(2.0) # 须线、触须端点和异常值点统一颜色 for whisker in bp['whiskers']: whisker.set_color(edge_color) whisker.set_linewidth(line_width) for cap in bp['caps']: cap.set_color(edge_color) cap.set_linewidth(line_width) for flier in bp['fliers']: flier.set(marker='o', markersize=5, markerfacecolor='none', markeredgecolor=edge_color) ax.set_ylabel('分数') plt.tight_layout() plt.show()

这段代码里有个细节值得说明：for median in bp['medians']遍历的是所有中位数线，改成linewidth=2.0后，中位线比边框更粗，视觉上能第一个抓住"每组数据的中心在哪里"，读图效率会高很多。异常值点用空心圆圈（markerfacecolor='none'），避免点太多糊成一片。

3.3 为什么要在循环里改，不直接用 boxprops

有人可能会问：matplotlib 的 boxplot 里不是有boxprops参数吗，直接传boxprops={'facecolor': 'xxx'}不就行了？

可以，但要注意一个限制：boxprops里的值是统一应用到所有箱子上的。如果你只需要"所有箱子同一个颜色"，一句话就能搞定：

ax.boxplot(data, patch_artist=True, boxprops={'facecolor': '#4C72B0', 'edgecolor': '#2F3542'})

但如果你要"不同箱子不同颜色"，boxprops是无能为力的，必须走"先画图，再遍历修改"的路线。这也是我在代码里采用zip(bp['boxes'], colors)的原因。实际项目里，绝大多数自定义填充需求恰恰是"每组一个颜色"，所以这个循环模式是绕不开的核心知识点。

还有个小技巧：如果你嫌先画图再改样式太繁琐，可以在boxprops里只统一设置边框，把facecolor留到循环里单独处理。两种方式可以混用。

4. 实战二：动态着色——让异常组一眼被看见

4.1 需求场景：对比多组数据时，突出最需要关注的一组

颜色分组是基础玩法。更进一步的是"动态着色"：不是提前硬编码颜色，而是根据数据特征计算得出哪个组需要高亮，然后把它涂成警示色，其余组保持低调。这种图在业务监控和质量分析里非常实用。

举个例子：现在有 6 个车间的产品合格率数据，你想快速找出"中位数明显低于整体水平"的车间。实现思路是：先算出每个车间的中位数，再算出全部数据的总体中位数，某个车间的中位数低于总体中位数，就用红色标记它，其余车间用灰色系。

4.2 实现代码：颜色由数据算出来

import matplotlib.pyplot as plt import numpy as np np.random.seed(7) # 生成6个车间的合格率数据（模拟） groups = [f'车间{i}' for i in range(1, 7)] data = [] for i in range(6): base = 88 - i * 2 # 车间编号越大，合格率越低 data.append(np.random.normal(base, 4, 80)) # 计算每个组的中位数和全局中位数 group_medians = [np.median(d) for d in data] global_median = np.median(group_medians) fig, ax = plt.subplots(figsize=(10, 5)) bp = ax.boxplot(data, patch_artist=True, labels=groups) for patch, median_val in zip(bp['boxes'], group_medians): if median_val < global_median: patch.set_facecolor('#C44E52') # 异常：红色 else: patch.set_facecolor('#B0BEC5') # 正常：灰蓝 # 统一边框线条，让填充色成为唯一变量 for element in ['whiskers', 'caps', 'medians']: for line in bp[element]: line.set_color('#37474F') for flier in bp['fliers']: flier.set(marker='o', markersize=4, markerfacecolor='#C44E52', markeredgecolor='none', alpha=0.5) ax.axhline(global_median, ls='--', color='#888888', lw=1, label=f'全局中位数: {global_median:.1f}%') ax.set_ylabel('合格率 (%)') ax.legend() plt.tight_layout() plt.show()

运行结果里，车间 4、5、6 会被涂成红色，车间 1、2、3 是灰蓝色。再加一条全局中位数的虚线，哪个车间拖后腿，一眼便知。

这种动态着色的核心逻辑是：颜色不再是手工选的美术决定，而是数据运算的产物。你会发现自己写的代码几乎不需要改，换个数据集、换个判断阈值（比如改成超过 75 分位才算异常），图就能自动适配。

4.3 用透明度做层次：重点组饱和，非重点组退后

还有一种常见手法是用透明度控制视觉权重。把非重点组的填充色加上透明度，比如patch.set_alpha(0.3)，重点组保持alpha=1.0。透明度低的箱子会"退到背景里"，重点组自然浮出来。这在样本量很大的对比图里特别好用，不需要大红大绿，也能达到清晰的层级感。

要注意的是，set_alpha会影响整个 patch 的透明度，包括边框。如果你只想让填充色变淡而边框保持清晰，可以在设置透明度之后再单独调用一次set_edgecolor和set_linewidth，或者直接用带 alpha 通道的 RGBA 颜色来填充：

rgba_color = (0.722, 0.769, 0.812, 0.4) # 灰蓝，40%不透明 patch.set_facecolor(rgba_color)

这种方式只淡化了填充面，不影响边框线，效果更干净。

5. 高频踩坑记录：配色不生效、图例错乱、刻度漂移

5.1 坑一：忘了 patch_artist=True，facecolor 全部无效

这是新手上路时最容易踩的坑。现象是：代码里写了patch.set_facecolor('#4C72B0')，运行不报错，但图上的箱子就是没有颜色。为什么？因为patch_artist=False时，bp['boxes']里的元素不是 Patch 对象，而是 Line2D 线条对象。Line2D 没有set_facecolor方法，所以设置被静默忽略，你什么也看不到。

排查方法很简单：打印一下bp['boxes'][0]的类型。如果是matplotlib.lines.Line2D，证明patch_artist开关没打开；如果是matplotlib.patches.PathPatch或Rectangle，说明开关已打开，就可以正常设置填充色了。

5.2 坑二：多个 boxplot 叠加调用时，图例和刻度会互相打架

做分组对比图时（比如同一张图里画两个季度、同一组位置偏移），很多人会写两次ax.boxplot()调用。问题来了：

• 第一次调用会把xticks设置为[1, 2, 3]之类的数值
• 第二次调用同样会重新设置xticks，直接覆盖第一次的刻度
• 最终结果往往是横坐标标签错乱，甚至只显示第二次的标签

解决办法是：在第一次及后续的boxplot调用里设置manage_ticks=False，然后自己在最后统一设置xticks和xticklabels。代码如下：

positions_1 = [1, 2, 3] positions_2 = [1.3, 2.3, 3.3] bp1 = ax.boxplot(data_group1, positions=positions_1, widths=0.28, patch_artist=True, manage_ticks=False) bp2 = ax.boxplot(data_group2, positions=positions_2, widths=0.28, patch_artist=True, manage_ticks=False) ax.set_xticks([1.15, 2.15, 3.15]) ax.set_xticklabels(['班级A', '班级B', '班级C'])

图例也会遇到类似问题。matplotlib 3.4 之前的版本，boxplot本身不支持label参数，直接ax.legend()会得到一个空的或错误的图例。老项目里更稳妥的做法是手动创建图例代理对象：

import matplotlib.patches as mpatches legend_handles = [ mpatches.Patch(color='#4C72B0', label='上学期'), mpatches.Patch(color='#55A868', label='下学期') ] ax.legend(handles=legend_handles, loc='upper right')

mpatches.Patch在这里只是个"图例样品"，它不需要真的画在图里，只需要展示颜色和标签的对应关系。这个技巧在自定义填充色之后几乎是必用的，推荐背下来。

5.3 坑三：填充颜色和线条颜色对比度不足

填了浅色，但忘了改中位数线颜色，结果浅蓝色箱子里一条浅灰色中位数线，和底色几乎融为一体。这在浅色填充（如'#E8F0FE'）时特别明显。

解决办法是养成"配件颜色统一"的习惯：填充色负责大色块区分，中位数线、边框、须线一律用深色（'#2F3542'或'#111111'），并且中位数线加粗到 1.8~2.0。这样不管填充色多浅，核心统计信息都始终清晰可见。

5.4 坑四：Jupyter 里重复运行单元格，图例和样式重叠

在 Notebook 里反复执行同一个绘图单元格，如果每次都调用ax = plt.subplot()，不会有问题；但如果复用了同一个ax，第二次运行会覆盖式叠加，箱线图样式会变得混乱。

建议每个单元格前都重新创建fig, ax = plt.subplots()，或者运行前先ax.clear()。这不是箱线图特有的坑，但在需要反复调整填充颜色的时候特别容易遇到——因为你改颜色、重跑图，结果发现箱子上叠了阴影。

6. 进阶技巧：透明度叠加、色板统一与 Seaborn 协同

6.1 分组箱线图与透明度叠加

当数据类别较多时（例如三组分类，每组 5 个类别），颜色会不够用。一种处理方案是：维度一用填充颜色区分，维度二用透明度区分。比如电商分析场景中，横轴是 5 个商品类别，每个类别下有两个渠道（线上下单、线下门店），你想用"蓝色系"表示线上、深浅区分不同类别，或者反过来用颜色的深浅表示类别、用色相表示渠道。

给箱子设置透明度的代码很简单：

# 深蓝 patch.set_facecolor((0.298, 0.447, 0.690)) # 浅蓝（同一色相，较低透明度） patch.set_facecolor((0.298, 0.447, 0.690, 0.4))

用带 alpha 通道的 RGBA 而不是set_alpha，可以在保持边框色不变的前提下单独调整填充浓度，层次表现更细腻。

6.2 自定义色板轮换：免去逐个手写颜色

如果数据组数很多，不想每画一组都手写一个颜色列表，可以用 matplotlib 自带的色板循环：

import matplotlib.cm as cm import matplotlib.colors as mcolors # 从 colormap 中采样 N 个颜色 def generate_colors(n, cmap_name='viridis'): cmap = cm.get_cmap(cmap_name) return [cmap(i / max(n - 1, 1)) for i in range(n)] colors = generate_colors(6)

viridis色板从深紫到明黄渐变，色相跨度大，相邻两组也能拉开差距。还有'Set2'（matplotlib 自带离散色板）、'tab10'、'Pastel1'等。用这种方式生成的 colors 列表，直接替换前面代码里的colors就行，箱线图的填充逻辑完全不变。

6.3 和 Seaborn 配合的细节

Seaborn 的sns.boxplot()有palette参数，一句话就能给箱子自动上色：

import seaborn as sns sns.boxplot(data=df, x='group', y='value', palette='Set2')

它的原理仍是调用 matplotlib 的 boxplot，然后按调色板依次修改facecolor。如果你只是要"快出一张带颜色的箱线图"，Seaborn 无疑是最省事的；但如果你需要精确指定某组颜色、动态着色、或者精细控制中位数线的粗细，最终还得落回 matplotlib 的这套patch_artist+bp['boxes']方案。

我的习惯是：快速探索数据用 Seaborn，做正式汇报或论文图用 matplotlib 手写配色。两者切换并不冲突，理解 matplotlib 的底层逻辑后，Seaborn 的限制反而看得更清楚。

6.4 小技巧：保存图片时注意背景色

最后分享一个容易被忽略的点：带自定义填充色的图，保存成透明背景 PNG 时，如果填充色本身带透明度，透明区域会和背景混在一起，在某些软件里打开后会显得颜色偏淡。做正式交付时，建议用plt.savefig('boxplot.png', dpi=300, bbox_inches='tight')保存为白底图，不要用transparent=True，除非你确定用途是叠放到深色 PPT 模板里。

我在实际做数据汇报时的习惯是先用默认参数跑一遍，确认数据没异常，再套颜色体系、调线条粗细、加图例，最后统一保存成一份白底高分辨率 PNG。自定义填充颜色这件事，做一次就形成了自己的模板，后面对接任何数据集都是复制粘贴再微调的事。