«Meilleure» série de couleurs à utiliser pour différencier les séries dans des tracés de qualité édition

Est-ce qu'une étude a été faite sur les meilleurs jeux de couleurs à utiliser pour montrer plusieurs séries sur la même parcelle? Je viens d'utiliser les valeurs par défaut matplotlib, et elles ont l'air un peu enfantines puisqu'elles sont toutes lumineuses, couleurs primaires.

Le travail de Cynthia Brewer sur ColorBrewer est une référence courante pour choisir une palette de couleurs . Les couleurs ont été choisies en fonction des modèles de perception dans les cartes choroplèthes, mais les mêmes conseils valent presque toujours pour l'utilisation de la couleur dans tout type de tracé pour distinguer les modèles de données. Si la couleur sert uniquement à distinguer les différentes lignes, une palette qualitative est appropriée.

Souvent, la couleur n’est pas nécessaire dans les tracés linéaires comportant seulement quelques lignes, et différents symboles ponctuels et / ou motifs en tirets sont suffisamment efficaces. Un problème plus commun avec les tracés linéaires est que si les lignes se chevauchent fréquemment, il sera difficile de distinguer différents motifs, quels que soient les symboles ou la couleur que vous utilisez. Stephen Kosslyn recommande une règle générale pour n'avoir que 4 lignes dans un tracé. Si vous en avez plus, envisagez de scinder les lignes en une série de petites parcelles multiples. Voici un exemple montrant la recommandation

Aucune couleur nécessaire et les étiquettes sont plus que suffisantes.

Beaucoup de conseils remarquablement bons dans d'autres réponses, mais voici quelques points supplémentaires tirés de mes propres conseils de bas niveau aux étudiants. Ce n’est qu’un conseil, bien sûr, sur lequel il convient de réfléchir compte tenu des questions clés: quel est le but de mon graphique? Qu'est-ce qui a du sens avec ces données? Qui sont les lecteurs? Qu'est-ce que je m'attends à ce que les couleurs fassent dans le graphique? Le graphique fonctionne-t-il bien, quels que soient les dogmes de quelqu'un d'autre?

De plus, l’importance de la couleur varie énormément d’un graphique à l’autre. Pour un choroplète ou un patch map, dans lequel l’idée est effectivement que différentes zones soient colorées ou au moins ombrées différemment, le succès d’un graphique est lié au succès de son schéma de couleurs. Pour d'autres types de graphiques, les couleurs peuvent être inutiles ou même gênantes.

1. Vos couleurs sont-elles toutes nécessaires? Par exemple, si différents libellés ou groupes de variables sont clairement distingués par des libellés de texte situés dans différentes régions d’un graphique, des couleurs distinctes seraient également souvent excessives. Méfiez-vous des effets de salade de fruits ou de manteau technicolor. Pour un graphique à secteurs avec un libellé de texte sur ou par les tranches, la couleur ne transmet aucune information supplémentaire, par exemple. (Si votre graphique à secteurs dépend d'une clé ou d'une légende, vous essayez probablement le mauvais type de graphique.)

2. Ne comptez jamais sur un contraste entre le rouge et le vert, tant de gens ont du mal à distinguer ces couleurs.

3. Les séquences arc-en-ciel (ROYGBIV ou rouge-orange-jaune-vert-bleu-indigo-violet) peuvent faire appel à des motifs physiques, mais elles ne fonctionnent pas bien dans la pratique. Par exemple, le jaune est généralement une couleur faible, tandis que l'orange et le vert sont généralement plus forts, de sorte que l'impression n'est même pas d'une séquence monotone.

4. Évitez toute palette de couleurs ayant pour conséquence de grandes taches de couleur vive.

5. Une séquence allant du rouge foncé au bleu foncé fonctionne bien lorsqu'une séquence ordonnée est nécessaire. Si le blanc est (comme d'habitude) la couleur de fond n'importe où, ne l'utilisez pas, mais passez du rouge pâle au bleu pâle. [ajouté le 1er mars 2018] Peut-être trop évident pour être souligné: le rouge a des connotations négatives et / ou dangereuses pour beaucoup, ce qui peut être utile, et bleu peut alors signifier positif. Trop évident à souligner, mais je le fais quand même: le rouge et le bleu ont des connotations politiques dans de nombreux pays.

6. Bleu et orange vont bien ensemble (un clin d'œil reconnaissant à Hastie, Tibshirani et Friedman ici: http://web.stanford.edu/~hastie/local.ftp/Springer/OLD/ESLII_print4.pdf ) [ajouté le 1 mars 2018] Beaucoup Les livres d'introduction à la visualisation recommandent désormais l'orange, le bleu et le gris comme palette de base: orange et / ou bleu pour ce que vous aimez et le gris pour l'arrière-plan.

7. Les niveaux de gris, du gris pâle au gris foncé, peuvent être efficaces et sont une bonne idée lorsque la reproduction des couleurs est hors de question. (Il s'agit d'un imprimeur moche qui ne peut pas faire une impression juste en niveaux de gris.) (Gris si vous le souhaitez; les préférences changent selon les océans, semble-t-il; tout comme pour la couleur et la couleur.)

8. [ajouté le 5 août 2016] Un principe assez général est que souvent deux couleurs fonctionnent beaucoup mieux que beaucoup. Si deux groupes sont intéressants, choisissez des couleurs également fortes (par exemple rouge ou orange et bleu). Si un groupe présente un intérêt particulier parmi plusieurs, définissez-le en bleu ou en orange et laissez les autres en gris. Utiliser sept couleurs pour sept groupes porte en principe l'information, mais il est difficile même de se concentrer sur une couleur à la fois lorsque plusieurs autres se font concurrence. De petits multiples peuvent être meilleurs pour plusieurs groupes qu'un tracé multicolore.

En fait, il y a eu beaucoup de recherches à ce sujet ces dernières années.

Un gros point est la "résonance sémantique". Cela signifie fondamentalement "des couleurs qui correspondent à ce qu'elles représentent", par exemple une série chronologique pour l'argent devrait être colorée en vert, du moins pour un public américain. Cela améliore apparemment la compréhension. Un article très intéressant sur le sujet est celui de Lin, et al (2013): http://vis.stanford.edu/papers/semantically-resonant-colors

Il existe également le très agréable générateur de couleurs iWantHue, à l' adresse http://tools.medialab.sciences-po.fr/iwanthue/ , avec de nombreuses informations dans les autres onglets.

Références

Lin, Sharon, Julie Fortuna, Chinmay Kulkarni, Maureen Stone et Jeffrey Heer. (2013). Sélection de couleurs sémantiquement résonantes pour la visualisation de données. Forum d'infographie (Proc. EuroVis), 2013

Paul Tol fournit sur son site Web un jeu de couleurs optimisé pour les différences de couleur (données catégoriques ou qualitatives) et les daltoniens , ainsi que dans une "note technique" (fichier PDF) qui y est associée. Il déclare:

Pour rendre les graphiques avec vos résultats scientifiques aussi clairs que possible, il est utile de disposer d'une palette de couleurs:

• distinct pour toutes les personnes, y compris les lecteurs daltoniens;
• distincte du noir et blanc;
• distinct sur l'écran et le papier; et
• toujours correspondre bien ensemble.

J'ai pris le jeu de couleurs de sa "Palette 1" des 9 couleurs les plus distinctes et je l'ai placé dans mon matplotlibrcdossier sous axes.color_cycle:

axes.color_cycle    : 332288, 88CCEE, 44AA99, 117733, 999933, DDCC77, CC6677, 882255, AA4499

Ensuite, en empruntant à Joe Kington, répondez aux lignes par défaut tracées par:

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np

x = np.linspace(0, 20, 100)

fig, axes = plt.subplots(nrows=2)

for i in range(1,10):
    axes[0].plot(x, i * (x - 10)**2)

for i in range(1,10):
    axes[1].plot(x, i * np.cos(x))

plt.show()

résulte en:

Pour les cartes de couleurs divergentes (par exemple, pour représenter des valeurs scalaires), la meilleure référence que j'ai vue est l'article de Kenneth Moreland disponible ici " Cartes de couleurs divergentes pour la visualisation scientifique ". Il a développé le schéma froid-chaud pour remplacer le schéma arc-en-ciel et "présente un algorithme permettant aux utilisateurs de générer facilement leurs propres cartes de couleurs personnalisées".

Robert Simmon, l'homme qui a créé l'image "Blue Marble" pour la NASA, constitue une autre source d'informations utile sur l'utilisation de la couleur dans les visualisations scientifiques. Voir sa série de publications sur le site Web de l’Observatoire de la Terre.

Sur colorbrewer2.org, vous trouverez des palettes de couleurs qualitatives , séquentielles et divergentes . Qualitative maximise la différence entre les couleurs successives, et c'est ce que j'utilise dans gnuplot. La beauté du site réside dans le fait que vous pouvez facilement copier les codes hexadécimaux des couleurs afin qu’elles soient faciles à importer. Par exemple, j'utilise le jeu de 8 couleurs suivant:

#e41a1c
#377eb8
#4daf4a
#984ea3
#ff7f00
#ffff33
#a65628
#f781bf

C'est plutôt agréable et donne des résultats clairs.

En remarque, séquentiel est utilisé lorsque vous avez besoin d'un dégradé régulier et diver- gnant lorsque vous devez mettre en évidence des différences par rapport à une valeur centrale (par exemple, l'altitude de la montagne et la profondeur de la mer). Vous pouvez en savoir plus sur ces jeux de couleurs ici .

Il existe de nombreux sites Web dédiés au choix des palettes de couleurs. Je ne sais pas s'il existe un ensemble de couleurs particulier qui est objectivement le meilleur, vous devrez choisir en fonction de votre public et du ton de votre travail.

Consultez http://www.colourlovers.com/palettes ou http://design-seeds.com/index.php/search pour commencer. Certains d'entre eux ont des couleurs proches de deux groupes différents, mais d'autres vous donneront des couleurs complémentaires sur une plus large gamme.

Vous pouvez également consulter les jeux de couleurs prédéfinis non définis par défaut dans Matplotlib .

J'aime la palette Dark2 de colorbrewer pour les diagrammes de dispersion. Nous l'avons utilisé dans le livre de ggobi , www.ggobi.org/book . Mais sinon, les palettes de couleurs sont conçues pour des zones géographiques plutôt que pour des tracés de données. Le bon choix des couleurs reste un problème pour les tracés ponctuels.

Les packages R colorspaceet dichromatsont utiles. colorspacepermet la sélection des couleurs autour du volant: vous pouvez passer des heures / jours à des réglages précis. dichromataide à vérifier le daltonisme.

ggplot2 a généralement de bonnes valeurs par défaut, mais pas nécessairement une épreuve daltonienne.

Le schéma rouge à bleu divergent a l'air bien sur votre ordinateur mais ne se projette pas bien.

Une autre possibilité serait de trouver un ensemble de couleurs a) équidistantes dans LAB, b) prendre en compte le daltonisme et c) pouvant s'intégrer dans la gamme de l'espace colorimétrique sRGB ainsi que dans les gammes des espaces CMJN les plus courants.

Je pense que la dernière exigence est une nécessité pour toute méthode de sélection des couleurs. Cela ne sert à rien si les couleurs ont bonne apparence à l'écran mais si elles sont confuses lorsqu'elles sont imprimées dans un processus CMJN. Et comme le PO spécifie la "qualité de publication", je suppose que les graphiques seront bien imprimés en CMJN.

Ceci est mon schéma préféré. Il a 20 (!!!!) couleurs distinctes, qui se distinguent toutes facilement. Cela échoue probablement pour les daltoniens, cependant.

#e6194b
#3cb44b
#ffe119
#0082c8
#f58231
#911eb4
#46f0f0
#f032e6
#d2f53c
#fabebe
#008080
#e6beff
#aa6e28
#fffac8
#800000
#aaffc3
#808000
#ffd8b1
#000080
#808080
#ffffff
#000000

Lorsque vous tracez des lignes, vous devez faire attention au vert et au jaune, qui ne s'affichent pas bien sur les projecteurs. Étant donné que je réutilise éventuellement la plupart de mes parcelles dans des présentations, j’évite ces couleurs même si l’intention initiale était de publier sur un écran ou sur papier.

Afin de maintenir un contraste élevé, cela me laisse du noir, du rouge, du bleu, du magenta, du cyan et, si j'en ai vraiment besoin, j'utilise du gris. En effet, la plupart sont des couleurs vives, primaires ou secondaires. Je sais que ce n'est peut-être pas optimal d'un point de vue esthétique, mais je m'intéresse davantage à la clarté de ce que je présente. D'autre part, réutiliser systématiquement les mêmes couleurs à partir d'une palette limitée peut être une bonne chose esthétiquement.

Si vous utilisez plus de 6 lignes, vous occupez plus d’espace et tracez des blocs de couleur. Pour ce type d’intrigue, je pense que chaque cas doit être examiné séparément. Voulez-vous que les extrêmes se démarquent, ou les passages à zéro? Est-ce que vos données sont cycliques (par exemple, 0 et 2π doivent utiliser la même couleur)? Existe-t-il une analogie avec des normes telles que bleu / rouge pour la température? Le blanc représente-t-il NaN, pas de données, ou sera-t-il utilisé comme point culminant? etc.

Pour les daltoniens, CARTOColors propose un schéma qualitatif adapté aux daltoniens, Safebasé sur les schémas de couleurs populaires de Paul Tol . Cette palette est composée de 12 couleurs faciles à distinguer.

Les schémas Okabe et Ito proposés dans leur article «Color Universal Design (CUD): comment créer des figures et des présentations conviviales pour les daltoniens» constituent une autre excellente palette qualitative pour les daltonistes.

### Example for R users
library(ggplot2)
library(rcartocolor)
library(patchwork)
theme_set(theme_classic(base_size = 14) + theme(panel.background = element_rect(fill = "#ecf0f1")))

set.seed(123)
df <- data.frame(x = rep(1:5, 8), 
                 value = sample(1:100, 40), 
                 variable = rep(paste0("category", 1:8), each = 5))

safe_pal <- carto_pal(12, "Safe")
palette_OkabeIto_black <- c("#E69F00", "#56B4E9", "#009E73", "#F0E442", 
                            "#0072B2", "#D55E00", "#CC79A7", "#000000")

# plot
p1 <- ggplot(data = df, aes(x = x, y = value)) + 
  geom_line(aes(colour = variable), size = 1) +
  scale_color_manual(values = palette_OkabeIto_black)


p2 <- ggplot(data = df, aes(x = x, y = value)) + 
  geom_col(aes(fill = variable)) +
  scale_fill_manual(values = safe_pal)

p1 / p2