企业官网建设流程全解析

1. 为什么颜色和风格值得单独拎出来讲

很多人学Seaborn的路径都差不多：先跑通scatterplot、lineplot、boxplot这几个基础图，觉得API挺简单，然后就开始往业务里塞。结果图是出来了，但要么颜色丑得没法放进汇报材料，要么同一份报告里五张图风格各异，看起来像五个人做的。更尴尬的是，明明数据结论很清晰，图一摆出来，别人第一眼注意到的却是“这个配色怎么这么刺眼”。

这就是我把颜色和风格单独拿出来写一篇的原因。Seaborn真正区别于Matplotlib的地方，不只是统计图类型丰富，而是它把“视觉决策”这件事系统化了。它内置了几套经过调校的调色板和主题风格，让你不用从零去调RGB，也能做出能直接放进文档、汇报、论文里的图。

这篇内容适合两类人：一类是已经会用Seaborn画基础图，但图总是“差口气”的；另一类是接手了别人的可视化代码，想搞清楚set_theme、color_palette、palette参数到底在干什么的。我会把颜色体系、风格体系、二者如何配合、以及实际项目里怎么选，按我自己的使用顺序讲一遍。

先给一个整体认知：Seaborn的视觉控制分两条线，一条是颜色（color），管的是数据映射成什么颜色；另一条是风格（style），管的是背景、网格、边框、字体这些与数据无关的装饰。两条线是正交的，可以独立设置，也可以一起设置。理解这一点，后面所有参数都不会乱。

2. Seaborn颜色体系的核心逻辑

2.1 三类调色板：定性、顺序、发散

Seaborn把调色板分成三大类，这个分类不是它自己发明的，而是数据可视化领域的通用分类，但Seaborn把它做成了可以直接调用的函数。

**定性调色板（Qualitative）**用于分类数据，类别之间没有大小顺序。比如不同产品线、不同地区、不同实验组。这类调色板的核心要求是：颜色之间区分度要高，但亮度、饱和度要接近，不能出现某个颜色特别抢眼的情况。Seaborn里典型的是deep、muted、pastel、bright、dark、colorblind这几套。

**顺序调色板（Sequential）**用于有大小顺序的数据，比如温度、销量、密度。颜色从浅到深或者从深到浅，亮度单调变化。Seaborn里以rocket、mako、flare、crest为代表，这几个是后来加入的，比早期直接借用Matplotlib的viridis、Blues更有辨识度。

**发散调色板（Diverging）**用于有中心点的数据，比如增长率（正负）、温差（高于/低于基准）、相关系数（-1到1）。颜色从中心向两端发散，中心通常是浅色或中性色。Seaborn里典型的是vlag、icefire。

我自己的判断标准很简单：先问数据有没有顺序，再问有没有中心点。两个都没有，用定性；有顺序没中心，用顺序；有顺序有中心，用发散。这个判断顺序不能反，反了就会出现“用彩虹色表示温度”这种经典错误。

2.2 调色板的调用方式与返回值

Seaborn里获取调色板最常用的函数是sns.color_palette()。它返回的是一个列表，里面是RGB元组。这个返回值可以直接传给Matplotlib的color参数，也可以传给Seaborn绘图函数的palette参数。

import seaborn as sns import matplotlib.pyplot as plt # 获取默认调色板 palette = sns.color_palette() print(palette) # 输出类似：[(0.12, 0.47, 0.71), (1.0, 0.5, 0.05), ...] # 获取指定调色板，指定颜色数量 palette = sns.color_palette("deep", 5) print(len(palette)) # 5

这里有个细节值得说：当你指定的颜色数量超过调色板本身的数量时，Seaborn会自动循环或插值。比如deep本身是10个颜色，你要12个，它会循环前两个。但如果你要的是顺序调色板，比如rocket，它会从调色板里均匀采样，而不是循环。这个行为差异很重要，因为定性调色板循环会导致两个类别颜色相同，而顺序调色板采样不会。

注意：如果你的分类数量超过调色板容量，优先换一个容量更大的调色板，或者手动指定颜色列表，不要依赖自动循环。两个类别颜色一样，图就废了。

2.3 自定义调色板的三种方式

内置调色板不够用的时候，有三种自定义方式，我按使用频率排序。

第一种是基于现有调色板微调。比如你觉得deep不错，但想让第一个颜色更饱和一点，可以用snsset或者直接改列表。

base = sns.color_palette("deep", 5) custom = [(r, g, b) for r, g, b in base] custom[0] = (0.9, 0.2, 0.2) # 把第一个改成红色 sns.palplot(custom)

第二种是用blend_palette混合。这个函数可以生成从一种颜色到另一种颜色的渐变，适合做顺序调色板。

# 从浅蓝到深蓝，生成7个颜色 palette = sns.blend_palette(["#B0D0E8", "#08306B"], 7) sns.palplot(palette)

第三种是用dark_palette或light_palette基于单色生成。这两个函数以一个种子色为基础，生成从深到浅或从浅到深的顺序调色板。

# 基于一个绿色生成顺序调色板 palette = sns.dark_palette("#2E8B57", 6) sns.palplot(palette)

我个人的经验是，项目里最常用的其实是第二种和第三种。因为业务方经常给一个品牌色，要求图表围绕这个色系做，这时候dark_palette和blend_palette就非常顺手。第一种微调反而用得少，因为微调容易调出“说不上哪里怪”的颜色。

3. 风格体系：不只是好不好看的问题

3.1 五种内置风格的实际差异

Seaborn内置了五种风格：white、dark、whitegrid、darkgrid、ticks。很多人只知道darkgrid是默认的，但不知道这五种风格到底差在哪，什么时候该换。

我按自己的使用场景给它们排个序：

whitegrid和darkgrid的区别不只是背景色。darkgrid的灰色背景在屏幕上看着舒服，但打印出来会变成一片灰，很费墨，而且如果图要放进Word文档，灰色背景和白色页面之间会有明显的边界，看起来不专业。所以只要图是要放进文档或打印的，我一律用whitegrid。

white和ticks的区别在于刻度线。ticks会在坐标轴外侧加短刻度线，适合需要精确读数的场景，比如工程图纸、实验数据。white则完全干净，适合追求极简的场合。

3.2 set_style与set_theme的区别

这是很多人容易混淆的地方。set_style()只控制风格，不影响调色板；set_theme()同时控制风格、调色板、字体、上下文等多个维度。

# 只改风格，颜色不变 sns.set_style("whitegrid") # 同时改风格和调色板 sns.set_theme(style="whitegrid", palette="deep")

我现在的习惯是统一用set_theme，因为一个项目里风格和颜色通常是一起定的，分开设置容易漏。而且set_theme还支持context参数，可以一键调整字体大小和线条粗细，适配不同输出场景。

# 适配论文场景：小字体、细线条 sns.set_theme(style="white", palette="muted", context="paper") # 适配汇报场景：大字体、粗线条 sns.set_theme(style="whitegrid", palette="deep", context="talk")

context有四个预设：paper、notebook、talk、poster。字号和线条粗细依次递增。这个功能在需要同时输出论文版和汇报版图表时特别省事，不用手动调fontsize和linewidth。

3.3 风格覆盖与局部调整

set_theme是全局设置，但有时候你只想让某一张图用不同风格。这时候可以用axes_style上下文管理器。

with sns.axes_style("white"): plt.figure(figsize=(8, 5)) sns.scatterplot(data=df, x="x", y="y") plt.show() # 退出上下文后，全局风格不变

这个用法在写函数或类的时候特别有用。比如你封装了一个绘图函数，希望它不管外部全局风格是什么，都输出统一风格，就可以在函数内部用axes_style包一层。

提示：axes_style只影响风格，不影响调色板。如果连调色板也要临时改，用plotting_context配合，或者直接在绘图函数里指定palette参数。

4. 颜色与风格的配合实战

4.1 从业务需求反推视觉方案

我接过一个需求，要在一张图里展示六个地区的季度销售趋势，同时用颜色深浅表示同比增长率。这个需求里其实混了两层信息：地区是分类，增长率是连续值。如果只用一种颜色映射，必然有一层信息丢失。

我的处理方式是：用定性调色板区分地区，用顺序调色板映射增长率，但两者不放在同一张图里。具体做法是画两张图，一张用定性色画趋势线，一张用顺序色画增长率热力图。这样每张图只承担一个视觉任务，读者不会混淆。

如果非要放在一张图里，可以用hue映射地区，用size或style映射增长率，但这样可读性会下降。我的原则是：一张图最多承担两个视觉维度，超过两个就拆图。

4.2 调色板与数据类型的匹配检查

在正式画图之前，我习惯先做一次匹配检查。这个检查很简单，就是问三个问题：

1. 这个变量是分类还是连续？
2. 如果是连续，有没有自然中心点？
3. 类别数量是多少？

根据答案选调色板类型，再根据类别数量选具体调色板。比如：

• 分类，5个类别：deep、muted、colorblind都可以，colorblind在需要兼顾色觉障碍读者时优先。
• 连续，无中心点，范围0到100：rocket、mako、viridis都可以，rocket在深色背景上表现更好。
• 连续，有中心点，范围-1到1：vlag、icefire，中心点用浅色，两端用对比色。

这个检查花不了一分钟，但能避免90%的配色返工。

4.3 让图表在黑白打印下依然可读

很多汇报材料最终会被打印成黑白，这时候颜色区分就失效了。我的应对策略是颜色加形状双重编码。

sns.scatterplot( data=df, x="x", y="y", hue="category", style="category", palette="deep", s=100 )

这样即使打印成黑白，不同类别也能通过点形状区分。如果是折线图，可以用dashes参数让不同线型不同。

sns.lineplot( data=df, x="x", y="y", hue="category", style="category", palette="deep", dashes=True )

这个技巧我从一次惨痛经历里学来的：当时做了二十页彩色图表，结果会议室打印机只有黑白，所有图看起来都一样，汇报效果大打折扣。从那以后，只要图有可能被打印，我一定加形状或线型编码。

5. 常见问题与排查技巧实录

5.1 颜色不生效的几种原因

这是被问得最多的问题：“我设置了palette，但图还是默认颜色。”原因通常有这几个：

第一种，palette参数名写错或位置不对。Seaborn不同绘图函数的参数名不完全一致，scatterplot用palette，boxplot也用palette，但heatmap用的是cmap。写错了不会报错，只是被忽略。

第二种，hue没有设置。palette只有在有hue映射时才生效。如果你只画单色图，palette不起作用，要用color参数。

第三种，全局主题覆盖了局部设置。如果你在set_theme之后又调用了set_palette，后者会覆盖前者。检查一下代码顺序。

第四种，Matplotlib的rcParams被其他代码改了。这种情况在Jupyter里常见，因为notebook是顺序执行的，前面的代码可能改了全局配置。重启内核或者显式重置可以解决。

5.2 调色板数量不够用的处理

当类别数超过调色板容量时，有三个处理方式，我按推荐顺序排：

1. 换容量更大的调色板。hls可以生成任意数量的颜色，但颜色质量参差不齐。husl更好，但需要额外安装。
2. 手动指定颜色列表。从多个调色板里挑颜色拼起来，或者用在线工具生成。
3. 合并小类别。如果类别太多，本身就应该考虑合并，而不是硬塞颜色。

我一般优先考虑第三种，因为类别太多本身就是数据问题，不是可视化问题。把占比小于5%的类别合并成“其他”，图会清晰很多。

5.3 风格设置后字体乱码的处理

设置风格后中文字体变成方框，这是Matplotlib的经典问题。Seaborn的风格设置会重置字体配置，导致中文字体失效。解决方法是在set_theme之后重新指定中文字体。

sns.set_theme(style="whitegrid", palette="deep") plt.rcParams["font.sans-serif"] = ["SimHei"] # 指定中文字体 plt.rcParams["axes.unicode_minus"] = False # 解决负号显示问题

注意axes.unicode_minus这一行，不设置的话负号也会变成方框。这个坑我踩过不止一次，每次换环境都要重新设一遍。

5.4 常见问题速查表

6. 我个人的调色与风格工作流

6.1 项目开始时的视觉规范设定

每个项目开始，我会先花十分钟定一个视觉规范，写在一个单独的配置文件或notebook单元格里。这个规范包括：主调色板、辅助调色板、风格、上下文、字体。之后所有图都从这个规范出发，保证一致性。

# visual_config.py import seaborn as sns import matplotlib.pyplot as plt PRIMARY_PALETTE = "deep" SEQUENTIAL_PALETTE = "rocket" DIVERGING_PALETTE = "vlag" STYLE = "whitegrid" CONTEXT = "notebook" def setup(): sns.set_theme(style=STYLE, palette=PRIMARY_PALETTE, context=CONTEXT) plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False

这个文件在项目里被反复导入，所有绘图函数都调用setup()。这样即使换了环境，只要这个文件在，图就是一致的。

6.2 快速预览调色板的技巧

选调色板的时候，我习惯先用palplot快速看一眼，而不是直接画图。palplot会把调色板画成色块，一眼就能看出颜色分布是否均匀、有没有特别刺眼的颜色。

sns.palplot(sns.color_palette("deep", 8)) sns.palplot(sns.color_palette("rocket", 8)) sns.palplot(sns.color_palette("vlag", 8)) plt.show()

这个习惯帮我省了很多时间。有时候调色板名字看着不错，但palplot一看就发现某个颜色太跳，直接换掉，不用等到画完图才发现。

6.3 从现有图表反推调色板

接手别人代码的时候，经常遇到“图很好看但不知道用了什么调色板”的情况。这时候可以用palplot配合肉眼比对，或者直接看代码里的palette参数。如果代码里没有显式设置，那就是用了全局默认，查一下set_theme或set_palette的调用即可。

还有一种情况是图是从图片里截的，没有代码。这时候可以用取色工具取几个主要颜色，然后用blend_palette或手动构造一个近似调色板。虽然不能完全一致，但风格上能接近。

7. 颜色风格之外，还需要注意什么

7.1 颜色不是越多越好

我见过很多图，用了十几种颜色，结果读者根本分不清哪个是哪个。颜色数量应该和类别数量匹配，但类别数量本身应该受控。如果类别超过8个，就应该考虑用分面（FacetGrid）或者小多图（small multiples），而不是硬塞颜色。

分面的好处是每个子图只用一种颜色，读者注意力集中在数据形状上，而不是颜色区分上。Seaborn的FacetGrid和relplot的col、row参数可以很方便地实现分面。

7.2 颜色要与语义一致

如果数据里有“增长/下降”“盈利/亏损”这种语义，颜色应该和语义一致。增长用绿色或蓝色，下降用红色或橙色。如果反过来，读者会产生认知冲突。

Seaborn的发散调色板vlag和icefire默认就是这种语义：一端暖色一端冷色，中心浅色。用这两个调色板的时候，注意数据的正负方向要和调色板方向一致。如果反了，可以用_r后缀反转，比如vlag_r。

7.3 风格要服务于内容

风格不是越花哨越好。darkgrid在探索阶段好用，因为网格帮助读数；但到了汇报阶段，whitegrid或white更合适，因为背景干净，数据突出。ticks适合需要精确读数的工程图，但不适合展示趋势。

我的原则是：探索阶段用darkgrid，汇报阶段用whitegrid，论文阶段用white或ticks。这个对应关系不是绝对的，但能覆盖大部分场景。

7.4 保存图表时的参数设置

最后一步是保存。savefig有几个参数直接影响输出质量：

plt.savefig( "figure.png", dpi=300, # 分辨率，打印用300，屏幕用150 bbox_inches="tight", # 去掉多余白边 facecolor="white", # 背景色，避免透明背景打印变黑 edgecolor="none" )

bbox_inches="tight"特别重要，不加的话图周围会有一圈白边，放进文档里很难对齐。facecolor="white"在用了darkgrid风格时尤其重要，不然保存的图背景是灰的，但透明区域在Word里可能变成黑色。

注意：如果图要放进LaTeX文档，建议保存为PDF格式，矢量图放大不失真。savefig("figure.pdf", bbox_inches="tight")即可。

8. 一个完整的颜色风格配置示例

把前面讲的串起来，给一个完整的配置示例。这个示例可以直接复制到项目里用。

import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 1. 全局配置 sns.set_theme( style="whitegrid", palette="deep", context="notebook", font="SimHei" ) plt.rcParams["axes.unicode_minus"] = False # 2. 准备数据 np.random.seed(42) df = pd.DataFrame({ "month": list(range(1, 13)) * 3, "sales": np.random.randint(100, 500, 36), "region": ["华东"] * 12 + ["华南"] * 12 + ["华北"] * 12 }) # 3. 定性调色板：分类数据 plt.figure(figsize=(10, 5)) sns.lineplot( data=df, x="month", y="sales", hue="region", style="region", palette="deep", dashes=False, markers=True, linewidth=2 ) plt.title("各地区月度销售趋势") plt.savefig("trend.png", dpi=300, bbox_inches="tight", facecolor="white") plt.show() # 4. 顺序调色板：连续数据 plt.figure(figsize=(8, 6)) pivot = df.pivot(index="region", columns="month", values="sales") sns.heatmap( pivot, cmap="rocket", annot=True, fmt="d", linewidths=0.5 ) plt.title("地区月度销售热力图") plt.savefig("heatmap.png", dpi=300, bbox_inches="tight", facecolor="white") plt.show() # 5. 发散调色板：有中心点的数据 df["growth"] = df["sales"] - 300 # 以300为基准 plt.figure(figsize=(10, 5)) sns.barplot( data=df, x="month", y="growth", hue="region", palette="vlag", dodge=True ) plt.axhline(0, color="black", linewidth=0.8) plt.title("各地区月度增长（基准300）") plt.savefig("growth.png", dpi=300, bbox_inches="tight", facecolor="white") plt.show()

这个示例里，三张图分别用了定性、顺序、发散三种调色板，风格统一为whitegrid，字体统一为黑体，保存参数一致。这样出来的图放在同一份报告里，视觉上是一套的。

9. 几个容易被忽略的细节

9.1 调色板的透明度控制

Seaborn的绘图函数大多支持alpha参数，控制透明度。透明度在重叠点很多的时候特别有用，可以让读者看到密度分布。但透明度也会让颜色变淡，如果调色板本身颜色就浅，加透明度后可能看不清。

我的经验是：定性调色板加透明度要谨慎，顺序调色板加透明度效果通常不错。因为顺序调色板本身有明暗变化，透明度不会破坏这种变化，反而能增强层次感。

9.2 颜色与图例的对应关系

图例是读者理解颜色的关键。Seaborn默认会把hue的图例放在合适的位置，但有时候会挡住数据。可以用plt.legend()手动调整位置。

plt.legend( bbox_to_anchor=(1.05, 1), loc="upper left", borderaxespad=0 )

这个设置把图例放到图外面右侧，适合类别较多的情况。如果类别少，放图内也可以，但要注意不要挡住数据点。

9.3 深色背景下的调色板选择

如果演示环境是深色背景（比如某些会议室的投影），whitegrid风格会显得刺眼。这时候可以用dark风格配合亮色调色板。

sns.set_theme(style="dark", palette="bright")

但要注意，深色背景下的图保存成图片后，放进白色文档里会很突兀。所以深色风格只适合现场演示，不适合文档输出。如果既要现场演示又要文档输出，建议做两个版本。

9.4 调色板的色觉障碍友好性

colorblind调色板是专门为色觉障碍读者设计的，颜色区分度高，红绿色盲也能分辨。如果图的受众不确定，或者需要满足无障碍要求，优先用colorblind。

sns.set_theme(style="whitegrid", palette="colorblind")

这个调色板的颜色比deep稍微暗一些，但区分度更好。我现在的默认选择就是colorblind，除非有特殊需求才换。

10. 从颜色风格延伸到整体视觉一致性

颜色和风格只是视觉一致性的一部分。真正要做到“一套图看起来是一套”，还需要注意坐标轴范围、标题位置、图例样式、标注格式这些细节。但这些细节太多太碎，不适合在一篇里全讲完。

我的做法是把视觉规范写成一个函数库，每个项目复用。函数库里封装了常用的绘图函数，每个函数内部已经设好了颜色、风格、字体、保存参数。这样调用的时候只需要传数据，不用每次重复设置。

# viz_lib.py def plot_trend(df, x, y, hue, title, filename): sns.set_theme(style="whitegrid", palette="colorblind", context="notebook") plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False plt.figure(figsize=(10, 5)) sns.lineplot(data=df, x=x, y=y, hue=hue, style=hue, markers=True) plt.title(title) plt.savefig(filename, dpi=300, bbox_inches="tight", facecolor="white") plt.close()

这个函数库随着项目积累会越来越丰富，后面做新项目的时候，直接调用就行，不用从零开始。这也是我从“每次画图都重新调”到“一次配置到处复用”的转变过程。

颜色和风格这件事，说大不大，说小不小。它不会影响数据结论的正确性，但会影响结论的传达效率。一张配色混乱的图，读者要花额外精力去理解；一张配色清晰的图，读者一眼就能抓住重点。这个差别在单张图上不明显，但在几十张图的报告里，就是专业和业余的分界线。