科研配色与色盲友好方案

跟完这篇，您能给自己的图选对一套配色：知道数据该配顺序、发散还是定性配色，明白为什么别再用彩虹色，手里握有一份色盲也分得清的调色板，还能一句话调出 Nature、Lancet 这类期刊常见的风格——并会用代码自查「这套色红绿色盲看得清吗」。

配色不是审美问题，是准确传达数据的问题。选错一类配色，会让读者读出并不存在的分界、误判数值大小，甚至有近十分之一的男性读者根本分不清您用红绿标出的两组。好在这件事有成熟的规矩可循，照着做就能又好看又不误导人。

第一步：先看您的数据是哪一类

配色的第一决定，不是「喜欢什么颜色」，而是「数据是什么结构」。数据结构定了，配色的大类就定了，剩下的只是挑具体调色板。

数据结构	特征	常见例子	该用哪类配色
单向连续	由低到高，只有一个方向	表达丰度、−log10(p)、密度、计数	顺序（sequential）
双向连续	有一个有意义的中点，向两边发散	z-score、log2FC、相关系数、差值	发散（diverging）
无序类别	若干并列的组，彼此没有大小	分组、细胞类型、亚型、通路名	定性（qualitative）

记住这张表，后面全是它的展开。选之前先问自己一句：我这一列值，是「越大越……」，还是「有正有负」，还是「几个平等的类别」？

顺序、发散、定性：三类配色怎么用

顺序配色：单向的量

数据从低到高单调变化时用顺序配色——颜色由浅到深（或由暗到亮）跟着数值走。首选 viridis 系列，它感知均匀、色盲友好、灰度打印也不乱（下文详述为什么）。

library(ggplot2)

ggplot(df, aes(x, y, color = value)) +
  geom_point() +
  scale_color_viridis_c()          # 连续型顺序配色，感知均匀、色盲友好

ColorBrewer 里的单色渐变（如 Blues、Greens、Purples）也很稳，适合热图或填色地图这类需要「一种色调、深浅表大小」的场景。

发散配色：有中点、分两个方向

数据有一个天然中点（通常是 0），向两边各表示一个方向时用发散配色。典型是「蓝—白—红」：负值蓝、中点白、正值红。关键是把中性色钉在中点上，否则红蓝深浅就失去可比性。

# 以 0 为中点的蓝-白-红发散配色（如画 log2FC、z-score）
ggplot(df, aes(x, y, fill = log2FC)) +
  geom_tile() +
  scale_fill_gradient2(low = "#3B4CC0", mid = "white", high = "#B40426",
                       midpoint = 0)   # midpoint 一定要设在有意义的中点上

常用的发散调色板有 RdBu（红—蓝）、RdYlBu（红—黄—蓝）、BrBG（棕—绿）、PuOr（紫—橙）。热图里把 z-score 断点设成对称（如 ±2），配一条 RdBu 反转色带，是最通行的做法，细节见热图聚类：注释条与配色全解。

定性配色：并列的类别

给分组、细胞类型这类无序类别上色时，要的是彼此区分度高、没有暗示大小顺序的一组色。这里别用 viridis——顺序配色采样出来，相邻类别颜色太像。改用为分类设计的调色板，比如色盲友好的 Okabe-Ito，或 ColorBrewer 的 Set2、Dark2。

# Okabe-Ito：8 色定性配色，专为色觉障碍设计（base R ≥ 4.0 内置）
okabe <- palette.colors(palette = "Okabe-Ito")

ggplot(df, aes(x, y, color = group)) +
  geom_point() +
  scale_color_manual(values = unname(okabe))

一条经验：定性配色的类别数越少越好。超过 7～8 类，再好的调色板也开始难分，这时考虑合并次要类别、或干脆在图上直接标名字，而不是硬塞更多颜色。

为什么别用彩虹色

彩虹色（rainbow / jet，红橙黄绿青蓝紫那条）是很多默认设置的老配色，但在数据可视化里它有三个硬伤，学界早有共识建议弃用：

感知不均匀。 相同大小的数值差，在不同色段看起来变化幅度不一样——绿色区一大片几乎同色、黄绿交界却陡变。结果是读者会在颜色突变处读出并不存在的边界（假边界 / banding）。
亮度非单调。 黄色最亮、蓝色偏暗，颜色的明暗和数值大小对不上。图一旦灰度打印或被色盲读者看到，大小关系就彻底乱了。
对色盲不友好。 红绿段本就是最难区分的方向，彩虹色把关键信息全压在这段上。

替换方案很简单：单向数据换 viridis（或单色渐变），双向数据换发散配色。 两者在感知均匀、亮度单调、色盲友好上都远胜彩虹色。

# 把默认/彩虹配色换成 viridis，一行的事
p + scale_color_viridis_c()                      # 默认 viridis
p + scale_color_viridis_c(option = "cividis")    # cividis：专为色觉障碍优化的顺序配色

色盲友好：怎么选、怎么自查

先认识问题有多普遍

红绿色觉障碍是最常见的一种。常被引用的数字是约 8% 的男性、约 0.5% 的女性有某种红绿色觉障碍（主要基于北欧裔人群的统计）。换算一下：一个几十人的读者群里，几乎一定有人分不清您用纯红纯绿标出的两组。所以色盲友好不是加分项，是基本盘。

主要类型只需记两类：

类型	俗称	难分的方向	说明
红色盲 / 绿色盲（protan / deutan）	红绿色盲	红 ↔ 绿	最常见，设计时重点避开纯红纯绿对比
蓝黄色盲（tritan）	蓝黄色盲	蓝 ↔ 黄	罕见得多

直接选这几套，基本不出错

不想深究的话，从下面挑就行——它们都被广泛当作色盲友好的默认：

用途	调色板	怎么拿
顺序（连续）	viridis / cividis	`scale_color_viridis_c()`
发散（双向）	RdBu、BrBG、PuOr	`RColorBrewer::brewer.pal(11, "RdBu")`
定性（分类）	Okabe-Ito（最多 8 色）	`palette.colors(palette = "Okabe-Ito")`
定性（3～8 色）	Set2 / Dark2	`RColorBrewer::brewer.pal(8, "Dark2")`

ColorBrewer 还能一次筛出所有色盲友好的调色板：

library(RColorBrewer)
display.brewer.all(colorblindFriendly = TRUE)   # 只显示色盲友好的那些

再加一层保险：别只靠颜色

最稳的做法是不把区分完全押在颜色上，给同一信息叠加第二种编码，色盲读者、黑白打印都不怕：

散点、折线：不同组同时换形状（shape）或线型（linetype）；
少数关键类别：干脆直接在图上标文字，不劳读者查图例对色；
显著性：除了颜色，再画阈值虚线或加 * 标记。

用代码自查这套色

选完别凭感觉，用 colorspace 模拟一下色盲眼里的样子，一眼看出会不会撞色：

library(colorspace)

cols <- palette.colors(palette = "Okabe-Ito")[2:8]  # 取一组分类色
deutan(cols)      # 模拟「绿色盲」下这组色变成什么
protan(cols)      # 模拟「红色盲」
# demoplot(cols, "bar")   # 直接画出来预览更直观

如果模拟后有两块颜色变得几乎一样，就换掉其中一个，或叠加形状 / 标签兜底。

期刊常见配色：一键套用

审稿人和读者对某些配色有肌肉记忆——一看就知道「这是 Nature 那套」。R 里的 ggsci 包把主流期刊的配色打包成了现成的 ggplot 图层，套一行即可，省得自己调十六进制。

library(ggsci)

p + scale_color_npg()       # Nature 风格
p + scale_color_lancet()    # Lancet 风格
# 填充图形（柱、箱、面积）把 color 换成 fill：
p + scale_fill_nejm()

常用的几套：

期刊 / 风格	定性配色函数
Nature（NPG）	`scale_color_npg()`
Science（AAAS）	`scale_color_aaas()`
Lancet	`scale_color_lancet()`
JAMA	`scale_color_jama()`
NEJM	`scale_color_nejm()`
临床肿瘤（JCO）	`scale_color_jco()`

两点提醒：

期刊配色主要是「定性配色」，适合给分组、类别上色；它们不替代顺序 / 发散配色，热图该用发散还是得用发散。
好看 ≠ 色盲友好。 这些期刊调色板是为观感设计的，不保证对色盲友好。用于关键的两组对比前，最好还是用上一节的 deutan() 自查一遍；拿不准就退回 Okabe-Ito。

一份可以直接照抄的默认

懒得每次纠结的话，把下面这套当默认，绝大多数图都够用、也不会出错：

单向连续量 → scale_*_viridis_c()；
双向连续量（含 0） → scale_fill_gradient2(..., midpoint = 0)，蓝—白—红；
分类 → Okabe-Ito 或 Set2；类别多就直接标签；
要期刊感 → ggsci 挑一套，再用 deutan() 自查；
永远别用 彩虹 / jet；永远别只靠颜色区分关键信息。

配色对了，图才谈得上「读得懂、经得起看」。它和轴、阈值、标注一样，是一张图能不能讲清楚事情的一部分。

在平台上跑一遍

不想记这些调色板名字、也不想写代码调色，在百沐一下上传数据后，用一句话说清诉求就行——比如「画分组箱线图，用色盲友好的定性配色」，或「热图用蓝白红发散配色、以 0 为中点」，或「换成 Lancet 风格配色」。智能绘图会替您选对配色大类、套好调色板并出图，您再对话式微调即可，交付时还附上可复现的 R 代码。用法见智能绘图使用指南。