在论文写作和科研汇报中，颜色似乎是一个很小的问题。打开 GraphPad Prism、R、Python、Excel 或其他绘图软件，选择一组看起来漂亮的颜色，很多人就认为配图完成了。
但实际上，颜色本身就是数据可视化的一种编码方式。颜色选得合适，可以帮助读者迅速识别不同组别、理解数据变化趋势，并把注意力集中到真正重要的结果上；颜色使用不当，则可能制造视觉噪声，甚至让读者误解数据。
最近在社交媒体上看到 Rosana Ferrero 博士分享的一组关于数据可视化配色的建议，很有启发性。Rosana Ferrero 是一位从事生物统计学、数据科学和机器学习教学与实践的研究者和教师，她长期在社交媒体上分享统计学、R、Python 和数据可视化相关知识。
她关于颜色使用的核心观点可以概括为：直觉、适度、一致性、清晰性、分类和可解释性。
对于科研人员来说，这些原则尤其值得重视，因为一张论文中的图并不是装饰品，而是作者向读者传递研究证据的重要工具。
首先判断：你的数据到底需要什么类型的颜色？
科研数据可视化配色最容易犯的错误之一，是先选颜色，再考虑数据。正确的顺序应该完全相反：先判断变量的性质，再选择适合的数据配色方案。
通常可以把科研图表中的颜色编码分成三种主要类型：定性配色（qualitative palette）、连续配色（sequential palette）和发散配色（diverging palette）。这一分类也与 ColorBrewer 以及科学数据可视化领域的经典建议相一致。
1. 无顺序的类别：使用定性配色
假设你的实验有3个处理组：
- Treatment A
- Treatment B
- Treatment C
这三个类别之间没有天然的大小关系。A并不比B“高”，C也不比A“低”。
这种情况下适合使用定性配色，通过不同色相来区分不同类别。
例如，可以使用蓝色、橙色和绿色分别表示3个实验组。
这里最重要的一点是：颜色之间的差异代表“类别不同”，而不是数值大小不同。
因此，不应该把Treatment A、B、C设计成从浅蓝到深蓝的渐变，然后让读者误以为A、B、C存在由低到高的顺序。
ColorBrewer 对定性配色的定义也是如此：这类颜色方案不应该暗示类别之间存在数量级关系，而主要依靠不同色相区分类别。
2. 有顺序或大小关系：使用连续配色
如果你的变量本身具有明确的数量关系，例如：
低风险 → 中风险 → 高风险
或者：
低表达 → 中等表达 → 高表达
那么就应该考虑连续配色。
这类配色通常通过颜色明度的逐渐变化来表达数值从低到高的变化，例如由浅色逐渐过渡到深色。
这里的关键不是“颜色越漂亮越好”，而是读者能够非常自然地感受到数值的顺序。
例如，在热图中，如果颜色从浅到深能够对应表达量从低到高，那么颜色本身就成为了一个视觉尺度。
科学数据可视化研究特别强调，连续数据应该使用具有感知顺序的颜色方案，而不能仅仅因为某种渐变颜色“看起来高级”就随意使用。
3. 存在明确的参考点：考虑发散配色
还有一种非常重要的情况：数据并不是简单地从低到高，而是围绕某个具有实际意义的中心值向两个方向变化。
例如：
- 相对于基线的变化；
- 相对于0的正负变化；
- 相对于平均值的偏离；
- 有利结果与不利结果；
- 增加与减少。
这时可以使用发散配色。
例如，在一个以0为中心的效应量图中，可以让负值向一种颜色变化，正值向另一种颜色变化，而0附近采用中性颜色。
需要特别注意的是，发散配色不能仅仅因为“颜色对比强烈”就使用。如果数据本身没有一个有科学意义的中心点，强行使用红—白—蓝这样的发散方案，可能会人为制造一个视觉上的“中心”，从而误导读者。
如果只是想突出一个结果，根本不需要8种颜色
科研图表中还有一个非常常见的问题：颜色太多了。
例如一张柱状图只有6个类别，作者可能使用6种完全不同的高饱和度颜色；一张散点图中有4个组，每个组又使用不同的颜色、形状和大小。
结果看起来“信息量很大”，实际上读者反而不知道应该看哪里。
如果你的真正目的只是强调其中一个结果，最有效的方法往往不是增加颜色，而是减少颜色。
一种非常实用的策略是：
背景信息使用灰色，真正需要读者关注的结果使用一种强调色=。
例如，你有20个基因的表达变化，但其中只有Gene X是文章重点。那么，与其给20个基因使用20种颜色，不如让19个基因保持灰色，只突出Gene X。
这种设计的优势在于，它建立了非常明确的视觉层级=：读者一眼就能知道作者希望他关注什么。
换句话说，颜色越多，并不意味着信息越多。
很多时候，减少颜色反而能够增加信息传递效率。
颜色使用的第一个原则：一致性
如果一张论文中蓝色代表Treatment A，那么后面的图中，蓝色最好仍然代表Treatment A。
不要在Figure 1中让蓝色代表对照组，到了Figure 3又让蓝色代表Treatment A。
这看似只是设计上的小问题，实际上会直接增加读者的认知负担。
尤其是在科研论文中，读者经常需要在多张图之间进行比较。如果每张图的颜色含义都发生变化，读者就必须反复查看图例，重新建立颜色与变量之间的对应关系。
因此，如果你的研究涉及多个实验图，最好在整个论文中建立一个稳定的颜色编码系统。
例如：
- Control：灰色
- Treatment A：蓝色
- Treatment B：橙色
- Treatment C：绿色
只要这些类别在全文中持续出现，就尽量保持相同颜色。
这种一致性不仅适用于单篇论文，也适用于同一课题组长期使用的报告、幻灯片和科研项目。
第二个原则：清晰，而不是“颜色越多越好”
颜色的基本任务是帮助读者区分信息。
因此，一个非常简单的判断标准是：
如果增加一种颜色并没有帮助读者区分新的信息，那么就没有必要增加这种颜色。
例如，一张散点图中已经有X轴、Y轴、点形状、标签和误差线，再增加10种颜色，很可能只会让图变得更加复杂。
尤其要警惕“彩虹色”。
彩虹配色在科研图表中非常常见，因为它看起来醒目、颜色丰富。但对于定量数据而言，它并不一定能够准确表达数值顺序。不同颜色之间在人类视觉中的感知差异并不均匀，而且某些颜色组合对于色觉缺陷人群也不友好。科学可视化研究已经反复指出，选择颜色时应该考虑人类视觉感知，而不是只考虑计算机能够生成多少种颜色。
因此，颜色数量应该由数据结构决定，而不是由软件调色板决定。
第三个原则：有自然含义时，可以利用“直觉”
颜色有时具有天然的语义联想。
例如：
蓝色 → 水、海洋
绿色 → 植物、生态
红色 → 危险、警告
这种颜色联想可以帮助读者更快理解图表。
例如，在环境科学研究中，如果一张地图展示河流、湖泊或水资源分布，蓝色通常是一种非常自然的选择。
但需要注意的是，直觉不能代替图例。
不能认为“大家都知道蓝色代表水”，所以就不写任何说明。
科研图表必须让颜色的含义能够被明确解释，而不能要求读者猜测作者的设计意图。
特别是在跨学科研究中，同一种颜色在不同领域可能具有完全不同的含义。例如红色在某些图表中代表风险，在另一些研究中可能只是代表一个实验组。
因此，颜色可以利用直觉，但不能依赖直觉。
第四个原则：可解释性
科研图表中的每一种颜色都应该能够回答一个问题：
“这个颜色到底代表什么？”
如果读者看到一张图之后，需要花很长时间猜测颜色的含义，那么配色设计就已经出现了问题。
对于连续变量，应当提供清晰的颜色刻度或色条；对于分类变量，应当提供明确的图例。
更重要的是，颜色应该与数据变量之间建立明确的对应关系。
例如，一张热图可以说明：
浅色表示较低表达量，深色表示较高表达量。
而不是仅仅放一个漂亮的渐变色，却不解释颜色与数据之间的关系。
Nature Communications 发表的科学可视化指南也强调，颜色映射应该与数据的性质相匹配；当颜色本身承担数值编码功能时，颜色与数值之间的关系必须能够被正确解释。
第五个原则：不要让颜色成为唯一的信息来源
这是科研论文配图中特别重要的一点。
假设你用：
- 红色 = Treatment A
- 绿色 = Treatment B
如果读者存在红绿色觉缺陷，那么两个类别可能难以区分。
因此，重要信息不要只通过颜色表达。
可以同时使用：
- 不同点形状（shape）
- 不同线型（linetype）
- 不同纹理（pattern）
- 数据标签（label）
- 不同位置（position）
- 不同符号（symbol）
例如，在折线图中，可以同时使用不同颜色和不同线型：
Control：灰色实线
Treatment A：蓝色虚线
Treatment B：橙色点划线
这样即使读者无法准确区分某两种颜色，仍然可以通过线型识别数据。
美国国家眼科研究所指出，色觉缺陷主要表现为难以区分某些颜色，其中最常见的是红绿色觉缺陷；约每12名男性中就有1人存在某种程度的色觉缺陷。
因此，原始社交媒体内容中提到的“超过6%”可以作为一个提醒，但如果用于科研科普文章，建议采用更谨慎的表述：色觉缺陷并非罕见现象，而且不同人群的发生率存在差异，因此科研图表不应假设所有读者都能以相同方式辨认颜色。
论文配图还要考虑一个容易被忽略的问题：打印
科研人员经常在电脑屏幕上检查自己的图，却忽略论文最终可能以PDF、黑白打印件或者低质量打印版本出现。
一组在屏幕上看起来区别明显的颜色，转换成灰度后可能变得非常接近。
因此，在正式投稿之前，可以做一个简单测试：把图表转换成灰度，然后再看一次。如果转换成灰度之后，主要数据关系仍然能够被理解，说明你的图表并没有过度依赖颜色。对于连续变量，这一点尤其重要。科学可视化领域的相关建议指出，具有良好感知顺序的颜色方案，即使降低颜色信息，也应该尽可能保留数据的顺序关系。
对于论文而言，这也是一个很实用的原则：颜色应该增强数据，而不是拯救数据。
科研人员最常见的6种配色错误
如果把上面的原则进一步简化，科研论文中最常见的配色问题大致可以归纳为以下几类。
第一，类别数据使用渐变色。 例如Treatment A、B、C本质上是三个没有顺序的类别，却使用浅蓝—中蓝—深蓝来表示，这会无意中制造不存在的等级关系。
第二，连续数据使用过于鲜艳的彩虹色。 虽然视觉冲击力很强，但不同颜色的感知差异并不一定对应数据差异，容易造成错误的视觉重点。
第三，一张图使用太多颜色。 如果读者必须花时间寻找“哪个颜色对应哪个组”，说明颜色已经开始干扰信息。
第四，同一个颜色在不同图中代表不同变量。 这会破坏整篇论文的视觉一致性。
第五，用红色和绿色作为唯一的区分方式。 对部分色觉缺陷读者而言，这种设计可能非常难以识别。
第六，颜色本身没有解释。 图中出现大量颜色，却没有清晰的legend、colorbar或文字说明，最终只能让读者猜测。
这些错误共同说明了一件事：科研配色不是艺术创作，而是一种数据编码。
一个简单实用的科研配色流程
如果你正在制作论文中的Figure，可以在完成绘图后按照下面的顺序检查。
首先问自己：我的变量是类别型、连续型，还是围绕某个中心值变化？ 根据答案分别考虑定性、连续或发散配色。
然后问：颜色是否真的在传递信息？ 如果只是为了让图“看起来丰富”，就应该考虑删除一部分颜色。
接下来检查：同一个颜色在全文中是否始终代表同一个含义？ 如果论文有多张相关图，最好建立统一的颜色编码。
之后检查：不看正文，读者能否通过legend或colorbar理解每种颜色？ 如果不能，就需要重新设计说明。
最后进行两个测试：色觉缺陷测试和灰度测试。 看看在不同视觉条件以及黑白打印情况下，主要结论是否仍然清楚。
如果一张图只有一个最重要的发现，那么还有一个非常值得尝试的方法：
把其他内容全部弱化，把重点结果突出出来。
灰色背景数据 + 一个强调色，往往比“每个元素一种颜色”更加专业。
好的配色，是让读者更快理解数据
科研数据可视化中的颜色，真正的价值从来不是“让图更漂亮”，而是让读者更快、更准确地理解数据。
因此，与其问“哪组颜色最好看”，不如先问三个问题：
- 我希望颜色表达什么？
- 我的数据具有什么结构？
- 读者能否不费力地理解这些颜色？
如果类别之间没有顺序，就使用适合分类数据的定性配色；如果数据具有明确的大小关系，就考虑连续配色；如果数据围绕具有科学意义的中心值向两个方向变化，再考虑发散配色。
而当你只是希望读者关注某一个结果时，最好的选择可能恰恰是少用颜色。
归根结底，科研图表中的颜色应该遵循一个简单原则：不要让颜色成为视觉噪声，而要让它成为帮助读者理解证据的工具。
对于科研论文而言，一张优秀的图并不一定拥有最多的颜色，而应该拥有最有意义、最容易解释、最不容易产生误解的颜色。
