注：本文首发于少数派，此处有删改，您可以 前往此处 阅读修订后版本。
色彩模型
人眼的色彩感知
我们能看到颜色主要与人眼的生理特性有关，视杆细胞和视锥细胞在其中发挥了重要作用。其中，视杆细胞主要负责感受光的明暗，视锥细胞负责感受不同波长的光。大多数人有三种不同类型的视锥细胞，它们各自对不同波长的光有不同的灵敏度：红色、绿色和蓝色。当某些视锥细胞缺失或敏感度发生变化，将导致色觉异常。
三种视锥细胞对不同光波长的光具有不同的敏感度。来源：
RGB 模型
RGB 模型绝对称得上是数字时代最为常见的色彩模型，它将红色（R）、绿色（G）、蓝色（B）三种颜色的光，按照不同比例混合，得到各种不同的颜色。RGB 模型如此流行，一方面是因为它符合人眼对色彩的感知过程（对应三种视锥细胞），另一方面，屏幕上的每个像素也都是由红绿蓝三个次级像素组成，直接以此方式编码， 极大地方便了在屏幕上进行显示。
RGB色彩模型
HSB/HSV
虽然 RGB 模型既常用又方便理解，但它并不符合人对颜色的直观感受。我们看到某个颜色时，不会把它拆分成红绿蓝三个组分，而是直接感知三种视锥细胞叠加后的效果。因此，后来又出现了称为 HSV 的色彩模型（也称HSB）。
你也许在选颜色时见到见过这种模型，它仿佛将所有颜色放入了一个倒置的圆锥。
HSV 模型采用三个维度的数值描述颜色：
- 色相（Hue），圆锥的最外围一圈，即它是什么颜色；
- 饱和度（Saturation），圆锥上某个点到中轴的距离，离中轴越近饱和度越低，颜色也越接近黑白灰；
- 亮度（Brightness 或 Value），圆锥上点到尖端的距离，越接近尖端，亮度越低（越黑）。
那 HSV 相比 RGB 直观在哪里？举个例子，左边颜色只降低亮度后，可以得到右边的颜色；但要是通过 RGB 来调整，就需要同时调整红绿蓝三种颜色值，颜色很容易一下就偏得没边了。
为什么要有不同的色彩模型
一个很好的例子是地图制图投影方式和飞行路径图，我们可以将不同的色彩空间模型视为不同的地图投影方式。根据选择地图类型（色彩空间）的不同，同样的飞行路径可能看起来大不一样。
墨卡托投影地图上从洛杉矶到莫斯科、纽约到莫斯科的飞行路线。
正射投影
根据数据类型选择颜色
类别色阶（Categorical color scales）
类别数据使用类别色阶。
当数据是一组类别时，它们没有内在的顺序，比如不同的分组实验材料。下图中不同的国家，并不会说某个国家比另一个国家排在前面或是后面，就属于类别数据，因此要用类别色阶（Categorical color scales）。
何为类别色阶？红色、黄色、蓝色，它们适合区分没有内在顺序的类别，其中一种颜色并不比另一种颜色更重要。
单向色阶（Sequential color scales）
连续色阶是从暗到亮/从亮到暗的颜色渐变，它们适合可视化从低到高变化的数值数据，比如温度、质量或浓度。
From Chroma.js Color Palette Helper
这时并不是说就不能分组，你依然可以将特定数值划分成一个个区间，对每个区间采用一个颜色。
或是不划分区间
注意⚠️：
-
在单向的顺序色阶中，只能使用一到两种色调，比如浅蓝色到深蓝色（单色，蓝色），或是从浅黄色到深蓝色（双色，蓝色和黄色）。
-
好的顺序色阶中，变化的并不只是颜色的色相（Hue），颜色的亮度（Lightness）与饱和度也在同步变化。
-
对低值使用浅色，对高值使用深色（亮度更低、饱和度更高）。使用颜色渐变时，请确保亮色代表低值，而深色代表高值。对于大多数读者来说，这将是最直观的
双向色阶（Diverging color scales）
双向色阶（Diverging / bipolar / double-ended color scales）与单向色阶类似，但是它不再是亮度或饱和度的从低到高变化，它中间亮度更高，然后向两侧色调与亮度同时变化。
双向色阶通常用于：
- 正值和负值这样两端有明确对立关系的值
- 有个有意义的中间点，比如0、50%、平均值、选定的阈值
同单向色阶一样，双向色阶也可以再分为分组和不分组两种：
双向，分组
双向，不分组
从色彩集中选择颜色
这里介绍四个工具
Data Viz Color Picker
PALETTE
SINGLE HUE
DIVERGENT COLOR
Colorpicker for data
CARTOColors
Sequential schemes
Diverging schemes
Qualitative schemes
注意事项
色觉异常
前面提到，由于有三种视锥细胞存在，我们可以感知红绿蓝三种颜色极其组合。如果其中某种视锥细胞的灵敏度不够，那么会导致色弱；如果某种细胞完全不起作用，那么就会导致色盲。因此有三种不同类型的色弱，和三种不同类型的色盲。
在人群中，色弱相比色盲更加常见，大约6-7%的男性有某种色弱，而大约2-3%的男性是色盲。
因此，某些颜色的组合应当避免，比如红色-绿色-棕色。
我们比较熟悉的荧光图中也会倡议使用洋红色+绿色的组合，而不是红色和绿色的组合。
另一方面，在选择颜色时，不仅在色相（Hue）上发生变化，也让饱和度和亮度同时变化，也有助于增加色彩的区分度。一些工具会给出相同配色在不同色觉异常人士眼中的效果。
还有一种方式，是用颜色和模式同时来表示不同的类别，比如加上阴影，或是采用不同的虚实线段。
Less is more
如非必要，勿增实体
-
是否有替代渐变色的数值表示方式（能不用，就不用）
比如采用长度（条形图）、位置（点图）或是面积的大小
-
避免同时使用过多颜色（能少用，不多用）
如果图中使用了超过七种颜色，可能要考虑其他的图表类型，或是将类别组合在一起。
颜色本身是帮助读者区分类别的，但是颜色越多，就越难快速阅读和理解，在读图时将不得不反复在图例和图形间来回查阅。
更好地分配颜色
对相同变量使用相同颜色，简化理解过程
配合图例解释颜色指代的内容：图形的大小代表什么、深浅是对应哪个变量，这些都需要解释清晰。
详略得当地使用颜色，将不重要的元素用灰色或其他非常浅的颜色来表示，可以突出需要重点关注的数据
保证对比度，避免使用互补色（比如红配绿、橙配蓝）
避免使用彩虹色渐变
彩虹色渐变有几个大的问题：
- 它的颜色变化并不均匀，其中绿色占据了几乎1/3的范围
- 各种颜色之间的亮度变化不均一
参考资料
Star:
Colorimetry and the Cartography of Color
色彩空间
不同的色彩模型
Which color scale to use when visualizing data - Datawrapper Blog
根据数据类型（离散、连续）选择颜色
What to consider when choosing colors for data visualization
一些颜色安排上的注意事项
Spectrum, Adobe’s design system
选择颜色的注意事项
How The Rainbow Color Map Misleads
彩虹色渐变为什么不合适
How your colorblind and colorweak readers see your colors - Datawrapper Blog
色觉异常
Other:
When to use sequential and when to use diverging color scales - Datawrapper Blog
When to use classed and when to use unclassed color scales - Datawrapper Blog
Your Friendly Guide to Colors in Data Visualisation
10 ways to use fewer colors in your data visualizations - Datawrapper Blog
如何减少使用的颜色数量
A map from Great Circle Mapper
大圆航线
色觉异常的颜色选择