科研图表最佳的配色方案是什么？

并没有单一的最佳色板——根据数据类型与受众选择。对于 7 组以内分类数据，金标准是 Okabe-Ito，因为它在常见色盲下也能保持每个类别可区分。对于热图、强度等有序数据，使用 Viridis 或 Cividis（Cividis 针对 CB 优化）。对于围绕中点的正负数据（高于/低于零、效应量），使用 RdBu 或 Crameri Vik。这四个家族都被 Nature、Science、Cell、PNAS 接受。

Viridis 色盲友好吗？

是的。Viridis 在设计时就考虑了色盲友好与感知均匀。它从深紫到亮黄的渐变带有单调递增的亮度，对 protanopia 或 deuteranopia 读者来说，最高值依然最亮，且可安全转换为灰度。Cividis 对最常见的色觉缺陷（deuteranomaly、protanomaly）更友好，因为它从数学上专门针对这类色觉做了优化。

Sequential、Diverging、Categorical 色板有什么区别？

Categorical（定性）色板用视觉上有区分的色相表示无序分组——处理、物种、队列。Sequential 色板从浅到深沿单一色相过渡，用于有序数据——浓度、密度、强度。Diverging 色板用两种对比色，在中性中点交汇，用于围绕中点的数据——高于/低于零、log fold change。匹配数据结构的色板家族就是正确选择；把 categorical 色板用在有序数据上是审稿人最常指出的图表问题。

Nature 期刊推荐什么颜色？

Nature 没有公布固定的官方色板，但作者指南明确要求色盲可访问性。审阅近期发表的配图可以看出，常见做法是：分类数据用 Okabe-Ito 或其变体，sequential 热图用 Viridis 或 Cividis。Nature Communications 和 Nature Methods 对这条规则执行得比主刊更严格。

如何在 R 和 Python 中应用这些色板？

在 Python 的 matplotlib 中，把 hex 列表传给 plt.bar(..., color=palette)，或对热图用 ListedColormap(palette) 包装。在 ggplot2 中，使用 scale_color_manual(values = c('#E69F00', ...)) 或 scale_fill_manual()。本生成器为每个色板提供完整片段——包括 import 行——所以你无需手动重打 hex 编码。

一张科研图应该用几种颜色？

高影响力期刊的真实经验：影响因子越高，单图颜色越少。三到五种颜色是大多数图的安全上限；超过七种，连 Okabe-Ito 在部分 CVD 下也会失效。如果你确实需要超过 10 个类别，正确做法通常是拆分图表、使用直接标签、或者用形状/分面替代颜色——而不是加更多颜色。

有没有免费的科研配色生成器？

有——本工具完全免费且无限制使用。ColorBrewer（colorbrewer2.org）是历史最久的免费工具，专注于地图所需的 sequential、diverging、qualitative 色板。Fabio Crameri 的 Scientific Colour Maps 也可免费下载。本生成器把这三套传统加上期刊风格预设统一到了一个界面里。

热图用什么色板最好？

对于没有明显中点的普通热图，使用 Viridis 或 Cividis——它们都是 perceptually uniform 且色盲安全的。对于围绕零点的热图（相关矩阵、log fold change、差异表达），使用 RdBu 或 Crameri Vik 等 diverging 色板。避免使用 matplotlib 的 jet 色板——它的非单调亮度会扭曲数据，且无法通过色盲可访问性测试。

这些色板能在 Excel 和 PowerPoint 里用吗？

可以。每个色板都能导出为 hex 列表，粘贴到 Excel（Format > Shape Fill > More Colors > Custom > Hex，Excel 365）或 PowerPoint（Format Shape > Fill > More Colors）。如果要重复使用，把色板保存为 Office 模板里的 custom theme color set——Excel 和 PowerPoint 都会自动识别。

什么是 Okabe-Ito 色板？

Okabe-Ito 是 Masataka Okabe 和 Kei Ito 专为色觉缺陷读者设计的 8 色分类色板。每个颜色在 protanopia、deuteranopia、tritanopia 下都能保持可区分。它是科研出版中最广泛推荐的分类色板，也是大多数期刊模板仓库的默认选择。

科研配色生成器 | 色盲友好 Hex

三步获取出版级科研配色

不用翻 matplotlib 文档，不用重跑脚本，不用再被红绿冲撞退稿

停止在 Python、R、Illustrator 里反复重建同一套色板。选择色板家族、在你实际的图表类型上预览效果、复制可直接粘贴的代码片段——这里每一个 palette 都经过色盲安全、感知均匀、期刊接受度审查后才上线。

打开色板工具

选择色板家族

Categorical 用于无序分组与处理对比；Sequential 用于热图、密度等有序数据；Diverging 用于围绕中点的正负值；Journal 用于匹配 Nature、Science、Cell、NEJM、PNAS 的配图风格。每个色板卡片都标注 Colorblind-safe 标签，告诉你哪些不会在审稿中被打回。

在你真实的图表上预览

切换分组柱状图、多系列折线图、热图三种预览，直接看到 Okabe-Ito 在分组对比中和 Viridis 在二维矩阵中的真实效果。预览随色板切换实时重绘，不需要导出，也不需要 Photoshop 叠加。

复制 Hex、Python、R 或 CSS

需要 hex 给 Illustrator 和 Figma 用，或者 matplotlib ListedColormap 片段、ggplot2 scale_color_manual() 代码块、面向 D3 与仪表盘的 CSS 自定义属性——所有片段都可直接粘贴，import 已写入、颜色顺序已锁定、无需额外辅助库。

一个生成器，三种科研配图工作流

实验研究者 · 数据科学家 · 教师与课件设计者

Cell 投稿图、Tableau 风格的高管 dashboard、色盲友好的课堂幻灯片，用的可以是同一个 Okabe-Ito——不需要在三个不同工具里各自重建一遍。

实验研究者与研究生

Nature · Science · Cell · eLife · PLOS · PNAS

图被退回通常只有两种原因：颜色太多，或者红绿冲突。本工具直接给出 7 组以内首选 Okabe-Ito、可通过色盲评审的 Crameri Vik diverging 热图、以及灰度打印不丢失的 Cividis sequential 色板。

Okabe-Ito、Tol Bright、Viridis、Cividis——期刊已经接受的标准色板
每个色板卡片都标注 Colorblind-safe 与 Perceptually uniform 标签
Crameri Vik 及完整 scientific colormap，不只是 matplotlib 默认

搭建论文配色

数据科学家与 BI 工程师

matplotlib · seaborn · ggplot2 · Plotly · Vega-Lite

你需要的不是又一个取色器，而是能直接放进 ListedColormap、scale_color_manual()、vega-lite range 的代码片段。复制你本来就要打字写的那一行：imports 已写好，hex 顺序保留，可直接喂给 pyplot.bar() 或 ggplot() + scale_*。

Python：LinearSegmentedColormap.from_list 与 ListedColormap 代码段
R：scale_color_manual() 与 scale_fill_manual() 命名向量
CSS 自定义属性，适配 D3、Observable Plot、Vega-Lite range

复制代码片段

教师、课程设计者与课件作者

课程幻灯片 · 教材插图 · 海报展示

课件会同时在 200 人阶梯教室、在线课程回放、印刷海报里出现——任何一个场景都可能有色觉缺陷的观众。挑选一个在投影仪、视网膜屏、灰度讲义上都能站住的色板。

灰度打印不会塌成同色的 print-safe 色板
PowerPoint、Keynote、Excel 一键 hex 粘贴流程
Cividis 与 Tol Bright——色盲安全且在大教室仍清晰可辨

挑选教学色板

为科研作图打造，而不是为 logo 设计师

这里的每一个色板都已被期刊接受过——不是单纯的美学推荐

Scientific Color Palette Generator 收录了审稿人、编辑、注重可复现性的数据科学家真正使用的 categorical、sequential、diverging 色板，并为每一种产生科研图表的工具提供可直接粘贴的代码。

数据类型	类别数	推荐色板	色盲安全
分类（处理、物种）	2–7	Okabe-Ito	是
分类，印刷为主	2–7	Paul Tol Bright	是
分类，dashboard	2–10	Tableau 10	否

三步获取出版级科研配色

不用翻 matplotlib 文档，不用重跑脚本，不用再被红绿冲撞退稿

选择色板家族

在你真实的图表上预览

复制 Hex、Python、R 或 CSS

一个生成器，三种科研配图工作流

实验研究者与研究生

数据科学家与 BI 工程师

教师、课程设计者与课件作者

为科研作图打造，而不是为 logo 设计师

这里的每一个色板都已被期刊接受过——不是单纯的美学推荐

10 个期刊已经认得的色板

每个色板都明确标注 CB 状态——不藏在文档里

可粘贴的 Python / R / CSS——不只是 hex

Nature、Science、Cell、NEJM、PNAS 风格预设

Viridis、Cividis、Crameri——为数据而生

全部色板免费，无速率限制

色板工具永久免费，Pro 解锁 Vizcept 其余所有生成器

已用在论文、学位论文与课件中

常见问题

科研图表最佳的配色方案是什么？

Viridis 色盲友好吗？

Sequential、Diverging、Categorical 色板有什么区别？

Nature 期刊推荐什么颜色？

如何在 R 和 Python 中应用这些色板？

一张科研图应该用几种颜色？

有没有免费的科研配色生成器？

热图用什么色板最好？

这些色板能在 Excel 和 PowerPoint 里用吗？

什么是 Okabe-Ito 色板？

需要 AI 直接画图吗？

Okabe-Ito

Nature、Nature Methods、Nature Communications

Science、Science Advances

Cell Press（Cell、Neuron、Immunity）

NEJM、JAMA、BMJ、Lancet

PNAS、eLife、PLOS Biology

Python（matplotlib、seaborn）

R（ggplot2）

Excel 与 PowerPoint

1. 单个面板颜色过多

2. 分类数据出现红绿冲突

3. 热图使用 jet（彩虹）

Paul Tol Bright

Tableau 10

ColorBrewer Set2

Glasbey

Viridis

Cividis

YlOrRd

RdBu

Crameri Vik

CSS、D3、Vega-Lite

Illustrator、Figma、Affinity

4. 有序数据使用分类色板

5. 忽略灰度检查

你可能还喜欢的工具

解锁全部工具

AI 科学示意图生成器

概念框架生成器

图形摘要生成器

钟形曲线生成器

鱼骨图生成器

PRISMA 流程图生成器

科研海报生成器

受力分析图生成器