可視化數據時，色彩往往是最欠考慮的因素。的確，在一個圖中，數據的選擇和圖表類型的確定才是最重要，最需要確定的因素。但是，適當的選擇顏色不僅僅能使數據圖的閱讀者賞心悅目，而且有助于圖中數據關系的呈現，使得整個圖表更有說服力。這篇文章將簡單介紹R語言中的色彩和調色板相關package和函數。
R中可以通過定義col參數自定義顏色。參數的設置的四種方法是等價的：數字（如1代表當前palette的第1種顏色，2代表當前palette的第2種顏色等）、顏色名（如”red”,”blue”)、使用rgb()函數得到的返回值或者使用十六進制顏色代碼。這幾種設置方法是等價的，比如下例：
barplot(1:4, col = c(2, "red", rgb(1, 0, 0), "#FF0000"))
人們不禁要問，不同數字代表的都是什么顏色？通過palette()函數，可以看到在當前調色板下，第一種顏色是黑色，第二種顏色是紅色。這個調色板共有8種顏色，當使用顏色數大于8時，會從頭開始。
palette()
## [1] "black"? "red"? ? "green3"? "blue"? ? "cyan"? ? "magenta" "yellow"
## [8] "gray"
調色板當然是可以改變的，比如用系統中的彩虹調色板。此時，第二位可就不是紅色了。
palette(rainbow(12))
barplot(1:4, col = c(2, "red", rgb(1, 0, 0), "#FF0000"))
通過再次將palette設置為”default”，可以得到默認調色板。
palette("default")
可以看到，用數字來設置顏色非常簡單，但是可重復性比較差，可能會因為他人調色板設置的不同而導致顏色不一致。一般是在自己進行探索性數據分析時使用得比較多。
直接用顏色的英文來設置，則沒有上述問題。R中可以用英文設置的顏色有657個，可以通過colors()函數查看，或者直接運行demo(“colors”)看示例圖。不過我這等沒有美術基礎的色盲，用得多的還是最簡單的”red”,”green”,”blue”。
head(colors())
## [1] "white"? ? ? ? "aliceblue"? ? "antiquewhite"? "antiquewhite1"
## [5] "antiquewhite2" "antiquewhite3"
RGB函數接入三個取值[0,1]的數字，三個數字分別對應”red”,”green”,”blue”。所以在第一幅圖中，通過將”red”設為最大值1，”green”,”blue”設為最小值0，得到的結果就是紅色。rgb()函數中參數alpha是用來設置透明度的，對于特別密集的散點圖很常用。
barplot(1:3, col = c(rgb(1, 0, 0), rgb(0, 1, 0), rgb(0, 0, 1)))
其實rgb()函數返回的值就是十六進制顏色代碼。所以二者肯定可以換著使了。
rgb(1, 0, 0)
## [1] "#FF0000"
調色板，簡單來說就是顏色的列表。其實在上一節中已經出現過一種調色板rainbow了。傳入數字12，獲得了12個彩虹顏色的顏色列表。傳入1000，可以的都下圖右側的彩虹轉盤。
par(mfrow = c(1, 2))
pie(rep(1, 12), col = rainbow(12), main = "rainbow12")
pie(rep(1, times = 1000), labels = "", col = rainbow(1000), border = rainbow(1000),
main = "rainbow1000")
R語言中除了自帶rainbow()調色板還有以下幾種:
par(mfrow = c(2, 2))
pie(rep(1, 12), col = heat.colors(12), main = "heat")
pie(rep(1, 12), col = terrain.colors(12), main = "terrain")
pie(rep(1, 12), col = topo.colors(12), main = "topo")
pie(rep(1, 12), col = cm.colors(12), main = "cm")
二、colorRamp()和colorRampPalette()
colorRamp()和colorRampPalette()都可用于建立顏色板。通過傳入希望的主要顏色如藍、紫，colorRamp()和colorRampPalette都返回一個函數。二者返回的函數區別為：colorRamp()返回的函數像grey()一樣，入參為[0,1]之間的數列，數列中數字個數即為函數返回的顏色板色彩數。colorRampPalette()返回的參數則像rainbow()一樣，入參為希望返回顏色板色彩的數量。而且通過下例可知，colorRampPalette()返回漸變顏色板函數，而colorRamp()返回對比顏色板函數。雖然都是用同樣的顏色，結果不同。
par(mfrow = c(1, 2))
b2p1 <- colorRampPalette(c("blue", "purple"))
b2p2 <- colorRamp(c("blue", "purple"))
pie(rep(1, 12), labels = "", col = b2p1(12), border = b2p1(12), main = "colorRampPalette")
pie(rep(1, 12), labels = "", col = b2p2(seq(0, 1, len = 12)), border = b2p2(seq(0,
1, len = 12)), main = "colorRamp")
雖然說RColorBrewer包中實際用到的就只有brewer.pal()函數，但是包中的兩個優點使得其非常實用。一是，包中顏色板被劃分為序列型(sequential)、離散型(diverging)、分類型（qualitative)這三種基本能滿足統計作圖需要的類型；二是，顏色都比較協調。更多指引見其官網ColorBrewer。
require("RColorBrewer")
序列型顏色板適用于從低到高排序明顯的數據，淺色數字小，深色數字大。
display.brewer.all(type = "seq")
離散型顏色板適合帶“正、負”的，對極值和中間值比較注重的數據。
display.brewer.all(type = "div")
分類型顏色板比較適合區分分類型的數據。
display.brewer.all(type = "qual")
下面兩個圖是不是比默認顏色好看一些？再不好看的話只能靠自己的藝術細胞，或者從別人的圖片上找靈感了。比如說上次文章中寫到的從dribble網站上扒下來調色板顏色，可以回憶一下。有更高要求的同學可以參考哈佛的CS171可視化課程，用的是D3。
image(volcano, col = colorRampPalette(brewer.pal(9, "Purples"))(20), main = "volcano")
plot(iris$Petal.Length, iris$Petal.With, col = brewer.pal(3, "Set2")[iris$Species],
main = "iris")
