Python数据可视化配色全攻略：从Matplotlib到Plotly的色彩应用与实战

1. 项目缘起：为什么我们需要一份Python作图颜色指南

如果你用Python做过图，尤其是用过Matplotlib、Seaborn或者Plotly这类库，大概率经历过这样的时刻：想给图表换个颜色，结果在搜索引擎里输入“matplotlib color”，然后在一堆英文文档、Stack Overflow的零散回答和颜色代码对照表里翻来覆去地找。最后可能随便选了个‘blue’或者‘red’，或者复制了一段‘#FF5733’这样的十六进制码，但心里并不确定这是不是最合适、最好看的那个选择。

这就是我写这篇汇总的初衷。颜色在数据可视化里，远不止是“好看”那么简单。它承担着区分数据系列、突出关键信息、传达数据属性（如正负、冷热）、甚至引导观众情绪和注意力的重任。一个糟糕的配色方案，能让清晰的数据变得混乱不堪；而一个精心设计的配色，则能让你的图表专业度和说服力提升好几个档次。

网上关于Python颜色的资料很多，但往往要么太零散（只讲某个库的某个函数），要么太理论（大谈色彩空间原理），要么就是一份冰冷的颜色名列表，缺乏上下文和实战指导。我希望通过这篇汇总，能帮你把Matplotlib、Seaborn、Plotly这几个主流库的颜色使用方式彻底理清，从最基本的颜色名称和代码，到高级的渐变色（Colormap）应用，再到如何根据场景选择配色方案，形成一个完整、可直接“抄作业”的知识体系。无论你是刚入门的新手，还是想优化图表的老手，这篇文章都能给你提供即查即用的参考。

2. 颜色基础：理解Python中的颜色表示法

在深入各个库之前，我们必须统一语言，理解Python作图库是如何“认识”颜色的。这就像学画画先认识颜料，是后续一切操作的基础。

2.1 四种核心的颜色指定方式

几乎所有Python可视化库都支持以下四种方式指定一个具体的颜色：

1. 颜色名称字符串这是最直观的方式。Matplotlib内置了一个丰富的颜色名称字典，你可以直接使用像‘red’,‘green’,‘blue’,‘cyan’,‘magenta’,‘yellow’,‘black’,‘white’这样的英文单词。此外，它还支持一些更具体的名称，如‘skyblue’,‘lightcoral’,‘darkorange’等。

# 示例：使用颜色名称 plt.plot(x, y, color='steelblue') # 线条颜色设为钢蓝色 plt.scatter(x, y, c='coral') # 散点颜色设为珊瑚色

注意：颜色名称是大小写不敏感的，但建议使用全小写以保证兼容性。你可以通过matplotlib.colors.cnames这个字典查看所有可用的颜色名及其对应的十六进制码。

2. 十六进制字符串这是Web设计和CSS中广泛使用的格式，格式为‘#RRGGBB’或‘#RRGGBBAA’。RR、GG、BB分别代表红、绿、蓝通道的十六进制值（00-FF），AA代表透明度Alpha通道（00-FF，可选）。这种方式可以表达极其丰富的颜色。

# 示例：使用十六进制颜色 color_hex = '#2E8B57' # 一种海绿色 color_hex_with_alpha = '#FF450080' # 橙红色，50%透明度 (80/FF ≈ 0.5)

3. RGB或RGBA元组用0到1之间的浮点数来表示每个颜色通道的强度。(R, G, B)表示RGB，(R, G, B, A)表示RGBA（A为透明度，0为完全透明，1为完全不透明）。

# 示例：使用RGB/RGBA元组 color_rgb = (0.1, 0.5, 0.8) # 一种蓝绿色 color_rgba = (0.9, 0.2, 0.2, 0.6) # 一种红色，60%不透明度

这是程序化生成颜色时非常有用的一种方式，例如在一个循环中根据索引计算颜色。

4. 灰度字符串当只需要黑白灰时，可以用一个代表灰度的字符串，格式是‘0.x’的字符串，或者直接是‘x’（x为0-1的数字字符串）。‘0.0’是黑色，‘1.0’是白色，‘0.5’是中灰色。

# 示例：使用灰度 plt.bar(labels, values, color='0.7') # 浅灰色的柱状图

2.2 颜色映射（Colormap）初探

当我们需要用颜色表示一个连续变量的值（比如温度、海拔、密度）时，单一颜色就不够用了，我们需要一个从A颜色渐变到B颜色的“颜色条”，这就是颜色映射（Colormap，简称cmap）。在Matplotlib体系中，它是一个将数据归一化到[0, 1]区间后，映射到一组RGBA颜色的对象。

import matplotlib.cm as cm # 获取‘viridis’颜色映射对象 cmap = cm.get_cmap('viridis') # 将数值0.5映射为颜色 color_at_mid = cmap(0.5)

在绘图函数中，我们通常直接将颜色映射的名字字符串传给cmap参数，库会自动完成映射。这是科学可视化中最重要的概念之一，我们会在第4章详细展开。

3. 实战库解析：Matplotlib, Seaborn, Plotly的颜色使用

了解了颜色的“单词”（表示法），接下来我们学习如何在不同的“语境”（作图库）中组织它们形成优美的“句子”（图表）。

3.1 Matplotlib：基础而强大的调色板

Matplotlib是Python绘图的基石，其颜色系统最为基础和全面。

单色控制在plot,scatter,bar等函数中，主要通过color(或c，在scatter中) 参数来控制颜色。

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) fig, ax = plt.subplots() # 为不同的线条指定不同的颜色 ax.plot(x, y, color='indigo', label='Line 1', linewidth=2) ax.plot(x, y*0.8, color=(0.2, 0.7, 0.3), label='Line 2', linestyle='--') # 使用RGB元组 ax.plot(x, y*0.6, color='#FF8C00', label='Line 3') # 使用十六进制 ax.legend() plt.show()

多系列颜色的自动化：属性循环器当你在一个坐标系中绘制多条线或多个柱状图组时，手动指定每个颜色很麻烦。Matplotlib使用“属性循环器”来自动分配颜色。默认情况下，它会循环使用‘C0’,‘C1’, …‘C9’这10种颜色。

for i in range(5): # 不需要指定color，自动使用C0, C1, C2... plt.plot(x, y + i, label=f'Line C{i}')

你可以通过ax.set_prop_cycle()来定制这个循环器，注入你喜欢的颜色列表。

from cycler import cycler custom_colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd'] custom_cycler = cycler(color=custom_colors) ax.set_prop_cycle(custom_cycler)

实操心得：‘C0’到‘C9’是Matplotlib 2.0后引入的“Tableau”调色板颜色，在区分度、美观度和色盲友好性上做了平衡，是默认的绝佳选择。除非有特殊品牌或出版要求，否则建议优先使用它们。

3.2 Seaborn：基于统计美学的高级封装

Seaborn在Matplotlib之上，提供了更高级的统计图形和精美的默认样式。它的颜色系统核心是“调色板”。

设置与使用调色板seaborn.color_palette()函数是核心。你可以获取一个颜色列表，然后将其设置为当前上下文的颜色循环。

import seaborn as sns import matplotlib.pyplot as plt # 获取一个‘husl‘调色板的6种颜色 palette = sns.color_palette("husl", 6) print(palette) # 输出是一个RGB元组列表 # 将其设置为Matplotlib的颜色循环 sns.set_palette(palette) # 现在绘图就会使用这个调色板了 for i in range(6): plt.plot([0, 1], [i, i], linewidth=4) plt.show()

Seaborn内置的调色板类型

1. 定性调色板：用于区分没有顺序关系的分类数据。这是最常用的。
   • ‘deep’,‘muted’,‘bright’,‘pastel’,‘dark’,‘colorblind’：Seaborn的默认六套调色板，‘deep’是默认。
   • ‘Set1’,‘Set2’,‘Set3’,‘tab10’,‘tab20’：来自ColorBrewer和Matplotlib的经典分类色板。
   • ‘husl’,‘hls’：在HSL色彩空间中均匀选取的颜色，区分度极好。
2. 顺序调色板：用于表示从低到高有序的数值数据。本质就是单色渐变的颜色映射。
   • ‘rocket’,‘mako’,‘crest’,‘flare’：Seaborn自带的现代渐变色，非常漂亮。
   • ‘viridis’,‘plasma’,‘inferno’,‘magma’,‘cividis’：Matplotlib的感知均匀颜色映射，是科学可视化的黄金标准。
   • ‘Blues’,‘Greens’,‘Reds’,‘Oranges’,‘Purples’：单色渐变，名字直观。
3. 发散调色板：用于表示有中间值（如零值）和两个方向极值的数据（如正负温度偏差）。
   • ‘vlag’,‘icefire’：Seaborn自带的发散色。
   • ‘RdBu’,‘PiYG’,‘PRGn’,‘BrBG’,‘PuOr’：经典的“红-蓝”、“紫-绿”等发散调色板。

你可以用sns.color_palette(‘调色板名称‘, n_colors=数量)来获取指定数量的颜色列表，或者用sns.palplot(sns.color_palette(‘调色板名称‘))来快速可视化一个调色板。

在绘图函数中直接使用许多Seaborn绘图函数有palette参数，可以直接传入调色板名称。

tips = sns.load_dataset("tips") # 使用‘Set2‘调色板为不同的‘day‘分类着色 sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="Set2") plt.show()

踩坑提醒：Seaborn的set_palette()或set_style()会改变全局的Matplotlib绘图参数。如果你在同一个Notebook或脚本中混合使用Seaborn和纯Matplotlib，并且希望它们风格独立，最好使用with sns.color_palette(‘palette_name‘):上下文管理器，或者在每个Seaborn绘图函数中单独指定palette参数，避免全局设置带来意外影响。

3.3 Plotly：交互式图表的动态色彩

Plotly（特别是plotly.express）以其声明式和交互式著称，颜色系统同样强大且易于使用。

离散颜色映射对于分类数据，使用color_discrete_sequence参数。它可以接受一个Plotly认可的颜色名称列表、十六进制列表或RGB字符串列表。

import plotly.express as px df = px.data.iris() # 使用Plotly内置的定性色板‘Set1‘ fig = px.scatter(df, x='sepal_width', y='sepal_length', color='species', # 根据物种分类着色 color_discrete_sequence=px.colors.qualitative.Set1) fig.show()

px.colors.qualitative模块下包含了大量优秀的定性调色板，如Plotly,D3,G10,T10,Set1,Set2,Set3等。

连续颜色映射对于数值数据，使用color_continuous_scale参数。它接受一个颜色映射名称或自定义的颜色列表。

# 使用顺序色板‘viridis‘ fig = px.scatter(df, x='sepal_width', y='sepal_length', color='petal_length', # 根据花瓣长度（连续值）着色 color_continuous_scale='viridis') fig.show() # 使用自定义的从蓝到红的三色渐变 custom_scale = ['blue', 'white', 'red'] fig = px.scatter(df, x='sepal_width', y='sepal_length', color='petal_length', color_continuous_scale=custom_scale)

px.colors.sequential模块下包含了所有顺序颜色映射，如Viridis,Plasma,Hot,Blues等。px.colors.diverging模块下则是发散颜色映射。

设置颜色轴和颜色条Plotly的交互优势在这里体现：你可以轻松设置颜色轴的标题、范围，以及颜色条的位置和标题。

fig.update_coloraxes(colorbar_title="Petal Length (cm)", colorbar_orientation='h', # 水平颜色条 colorbar_len=0.5, # 长度比例 colorbar_x=0.25) # 位置

经验之谈：Plotly Express的配色方案默认就非常美观，对于快速出图极其友好。当需要精细控制时，记住color_discrete_sequence管分类，color_continuous_scale管连续。利用px.colors下的子模块可以快速找到大量经过专业设计的配色方案，比自己去配要可靠得多。

4. 颜色映射深度解析：从Viridis到自定义

颜色映射是科学可视化的灵魂。一个糟糕的颜色映射（比如经典的‘jet’）会扭曲数据、制造虚假边界、并且对色盲不友好。因此，理解并正确使用颜色映射至关重要。

4.1 感知均匀颜色映射：为什么Viridis是首选

Matplotlib 2.0版本的一个重大进步就是用‘viridis’取代了‘jet’作为许多函数的默认颜色映射。原因在于‘viridis’及其同系列的‘plasma’,‘inferno’,‘magma’,‘cividis’都是感知均匀的颜色映射。

• 什么是感知均匀？意味着在颜色映射上移动相同的数值距离，给人眼的亮度/色相变化感是均匀的。这样，数据值的大小变化能通过颜色被准确、线性地感知。
• ‘jet‘为什么不好？‘jet’在中间部分（青色和黄色）亮度很高，两端（深蓝和深红）亮度很低。这会导致：
  1. 细节丢失：高亮区域掩盖了细微变化。
  2. 虚假特征：人眼对亮度变化敏感，‘jet’非均匀的亮度变化会在数据中制造出本不存在的“边界”或“凸起”。
  3. 色盲不友好：红绿区域难以区分。

如何选择顺序颜色映射？

1. 通用场景：无脑选择‘viridis’。它在所有指标上表现优异。
2. 需要更高对比度：尝试‘plasma’或‘inferno’，它们两端对比更强烈。
3. 打印友好（灰度）：‘cividis’是专门为色盲和灰度打印优化的，在黑白打印时仍能保持很好的亮度梯度。
4. 传统单色系：‘Blues’,‘Greens’,‘Reds’,‘Greys’等，当你想强调数据是“正向”的（如数量、密度）且需要保守的学术风格时使用。

如何选择发散颜色映射？当数据有明确的中性点（如0值）和两个相反方向时使用。

1. 通用场景：‘RdBu’（红-蓝）或‘PiYG’（紫-绿）是非常经典和可靠的选择。
2. 更多颜色：‘RdBu_r’（_r表示反转）有时中间色更明显。
3. Seaborn风格：‘vlag’或‘icefire’提供了更现代的观感。

在Matplotlib中应用颜色映射：

import numpy as np import matplotlib.pyplot as plt # 生成一些数据 data = np.random.randn(10, 10) fig, axes = plt.subplots(1, 2, figsize=(10, 4)) # 使用‘jet‘（不推荐） im0 = axes[0].imshow(data, cmap='jet') axes[0].set_title('Jet (Problematic)') plt.colorbar(im0, ax=axes[0]) # 使用‘viridis‘（推荐） im1 = axes[1].imshow(data, cmap='viridis') axes[1].set_title('Viridis (Perceptually Uniform)') plt.colorbar(im1, ax=axes[1]) plt.tight_layout() plt.show()

4.2 创建与注册自定义颜色映射

有时，品牌指南或特定出版物要求使用固定的配色。我们可以创建自定义的颜色映射。

从颜色列表创建线性分段颜色映射这是最常见的方式，使用LinearSegmentedColormap.from_list()方法。

from matplotlib.colors import LinearSegmentedColormap # 定义几个关键节点的颜色 colors = ['#2A9D8F', '#E9C46A', '#E76F51'] # 绿 -> 黄 -> 红 # 创建颜色映射对象，命名为‘my_cmap‘ my_cmap = LinearSegmentedColormap.from_list('my_cmap', colors, N=256) # 使用它 plt.imshow(data, cmap=my_cmap) plt.colorbar()

创建发散颜色映射使用LinearSegmentedColormap.from_list()时，确保颜色列表中间是你想要的中间色（通常是白色或浅灰色）。

diverging_colors = ['#003f5c', '#58508d', '#bc5090', '#ff6361', '#ffa600'] # 这是一个从深蓝到橙色的多色渐变，不是标准的发散色。 # 标准的红-蓝发散色可以这样简单定义： red_blue_colors = ['blue', 'white', 'red'] div_cmap = LinearSegmentedColormap.from_list('red_blue', red_blue_colors)

注册颜色映射以便全局使用如果你希望像使用‘viridis’一样通过字符串名字使用你的自定义颜色映射，需要将其注册到Matplotlib。

from matplotlib import cm cm.register_cmap(name='company_brand', cmap=my_cmap) # 现在可以全局使用了 plt.contourf(X, Y, Z, cmap='company_brand')

从图片或ColorBrewer获取颜色你可以使用在线工具或matplotlib.cm.get_cmap()获取现有的颜色映射，然后修改或截取它。

# 获取‘RdYlBu‘发散色，并只取其中一部分 rdylbu = cm.get_cmap('RdYlBu') # 截取从0.3到0.7的部分，创建一个新的、对比更强的发散色 new_cmap = LinearSegmentedColormap.from_list('truncated', rdylbu(np.linspace(0.3, 0.7, 256)))

高级技巧：对于更复杂的、非线性的颜色映射（例如在中间部分变化更平缓），你需要定义red,green,blue三个通道的插值字典，并使用LinearSegmentedColormap的完整构造函数。这更复杂，但能实现完全控制。大多数情况下，from_list方法已经足够。

5. 高级技巧与常见问题排查

掌握了基础之后，我们来看看那些能让你的图表更上一层楼，以及帮你避开暗坑的高级技巧。

5.1 透明度与边缘色的妙用

透明度通过RGBA格式或alpha参数控制透明度，在数据点重叠（如散点图）、绘制置信区间、或创建层次感时极其有用。

# 散点图重叠区域用透明度显示密度 x = np.random.randn(1000) y = np.random.randn(1000) plt.scatter(x, y, alpha=0.1, s=20) # alpha=0.1， 90%透明 plt.title('Density revealed by transparency')

边缘色在scatter和bar中，edgecolor(或ec) 和linewidth(或lw) 参数可以定义数据点的边框。这能极大地提高图形的清晰度，尤其是在背景复杂或颜色相近时。

categories = ['A', 'B', 'C', 'D'] values = [5, 7, 3, 9] colors = ['skyblue', 'lightgreen', 'salmon', 'gold'] plt.bar(categories, values, color=colors, edgecolor='black', linewidth=1.5) # 给每个柱子加上黑色边框，使其在白色或浅色背景下更清晰

5.2 处理大量分类：颜色不够用怎么办？

当分类超过10个甚至20个时，简单的定性调色板可能颜色不够用，或者颜色过于相似难以区分。

方案一：使用循环色板像‘tab20’,‘tab20b’,‘tab20c’这样的调色板提供了20种区分度较好的颜色，可以组合使用。

# 组合两个20色的调色板来处理最多40个类别 cmap_tab20 = plt.cm.get_cmap('tab20') cmap_tab20b = plt.cm.get_cmap('tab20b') colors = [] for i in range(30): if i < 20: colors.append(cmap_tab20(i / 20)) else: colors.append(cmap_tab20b((i-20) / 20))

方案二：使用HSL/HUSL色彩空间均匀采样seaborn的‘husl’或‘hls’调色板可以在色彩环上均匀地选取任意数量的颜色，保证它们在色相上有最大区分度。

import seaborn as sns num_categories = 25 husl_palette = sns.color_palette("husl", num_categories) sns.palplot(husl_palette)

方案三：结合其他视觉通道当分类实在太多（比如超过50个），仅靠颜色区分已经不可行。此时必须结合其他视觉通道：

1. 形状：在散点图中，为不同大类使用不同颜色，再为每个大类下的子类使用不同形状的标记（marker）。
2. 分面：使用plt.subplots或 Seaborn/Plotly 的facet功能，将数据拆分到多个子图中。
3. 交互：在Plotly等交互式图表中，可以使用悬停提示（hover）来显示类别信息，而不是完全依赖颜色。

核心原则：永远不要试图用颜色区分超过12-15个无序类别。人的短期记忆和色彩分辨能力是有限的。

5.3 颜色相关的常见错误与排查

问题1：颜色显示不正确或为黑色

• 可能原因：传入了错误格式的颜色值。例如，将(255, 0, 0)（0-255范围的整数）当成了RGB元组传给Matplotlib（它期望0-1的浮点数）。
• 排查：检查颜色值格式。如果是0-255的整数，需要除以255.0进行归一化：color=(255/255.0, 0/255.0, 0/255.0)或np.array([255, 0, 0]) / 255。

问题2：颜色条（Colorbar）与图像颜色不匹配

• 可能原因：在绘制多个使用颜色映射的图形时，没有正确地将颜色条与对应的mappable对象（如imshow,contourf返回的对象）关联。
• 正确做法：

  # 错误：plt.colorbar() 可能关联到最后一个活动的axes # im1 = ax1.imshow(data1, cmap='hot') # im2 = ax2.imshow(data2, cmap='cool') # plt.colorbar() # 这个colorbar对应哪个？ # 正确：显式指定mappable对象和axes fig, (ax1, ax2) = plt.subplots(1, 2) im1 = ax1.imshow(data1, cmap='hot') im2 = ax2.imshow(data2, cmap='cool') plt.colorbar(im1, ax=ax1) # 为ax1的图像添加颜色条 plt.colorbar(im2, ax=ax2) # 为ax2的图像添加颜色条

问题3：Seaborn调色板设置后，纯Matplotlib图颜色没变

• 原因：sns.set_palette()设置的是之后创建的图形的属性循环器。对之前创建的图形或显式指定了颜色的图形无效。
• 解决：确保在sns.set_palette()或sns.set_theme()之后再创建你的图形。或者，更推荐在绘图函数中通过palette参数局部设置。

问题4：导出图片（如PDF/SVG）后颜色变淡或不同

• 原因：颜色空间和透明度处理问题。Matplotlib默认使用RGB颜色空间，而一些导出格式或查看器可能涉及颜色管理。
• 解决：
  1. 在保存图形时，指定facecolor=‘white’和edgecolor=‘none’以确保背景干净。
  2. 对于印刷用途，可以考虑使用CMYK颜色空间，但这需要额外处理。
  3. 避免使用过于接近白色或黑色的半透明叠加，在导出为位图（如PNG）时可能产生锯齿。可以尝试先保存为PDF（矢量格式），再在专业软件中转换。

6. 从理论到实践：一套完整的配色工作流

最后，我将分享一套我个人在项目中遵循的、从零开始确定图表配色的实战工作流。这套流程能帮你系统性地做出专业、美观且富有信息量的配色决策。

第一步：明确数据与图表类型

• 数据是分类的、顺序的还是发散的？这是选择调色板类型的根本依据。
• 图表是什么？折线图/柱状图（多系列分类）通常用定性色。热图/等高线图/散点图（连续值）用顺序色或发散色。

第二步：确定基调和约束

• 用途：是学术论文、商业报告、仪表盘还是社交媒体？学术图需要清晰、保守、可能需考虑黑白打印（‘cividis’,‘viridis’）。商业报告可能需要贴合公司品牌色。
• 受众：是否需要考虑色盲友好性？避免红绿对比，使用‘colorblind’调色板或‘viridis’/‘plasma’。
• 品牌色：如果有公司或项目的主题色，以其为起点构建调色板。

第三步：选择与构建调色板

1. 分类数据：
   • 如果类别数 ≤ 6-8，直接从Seaborn的‘deep’,‘muted’,‘bright’,‘Set2’,‘Set3’或Plotly的qualitative模块中选一个。
   • 如果类别数多，使用‘tab20’系列或‘husl’均匀采样。
   • 检查对比度：将选中的颜色去色（转灰度），检查在黑白模式下是否仍有足够的明度差异来区分。
2. 顺序数据：
   • 首选‘viridis’系列。如果需要更强烈的视觉冲击，考虑‘plasma’或‘inferno’。
   • 如果想强调“数量大=颜色深”，使用单色系如‘Blues’,‘Greens’。
   • 使用plt.cm.get_cmap(‘viridis’)(0.2)这样的方式，可以提取颜色映射中特定位置的颜色用作强调色。
3. 发散数据：
   • 首选‘RdBu’或‘PiYG’。用‘_r’后缀反转如果需要。
   • 确保中间色（通常是白色或浅灰）准确地对应你的数据中性点（如0）。

第四步：在代码中应用与测试

• 在Notebook或脚本中，用一个简单的测试数据集绘制图表，查看配色效果。
• 关键测试：
  • 重叠测试：对于散点图或线图，数据点重叠时，透明度(alpha)是否设置得当？
  • 打印测试：将图表保存为灰度图（cmap=‘gray’或去色处理），检查是否所有信息依然可辨。
  • 色盲模拟测试：可以使用在线工具（如Coblis）或专门的Python库（如daltonlens）来模拟色盲视角下的图表效果。

第五步：迭代与文档化

• 根据测试反馈调整颜色、透明度或甚至调色板类型。
• 将最终确定的颜色代码（十六进制或RGB元组）或调色板名称记录在项目的样式指南或绘图配置模块中，确保团队内图表风格统一。
• 对于Matplotlib项目，可以创建一个自定义的style.mplstyle文件，在其中定义axes.prop_cycle等参数，实现一键应用全局样式。

一个完整的示例：创建公司品牌调色板假设公司品牌色是深蓝色#003366和橙色#FF9900，我们需要为一个有5个分类的柱状图配色。

1. 定性调色板：以品牌蓝和品牌橙作为起点，利用seaborn.husl_palette()或在线调色板生成器（如palettable或colorbrewer2），生成在HUSL色彩空间中均匀分布的5种颜色，确保包含品牌色。
2. 顺序调色板：从白色#FFFFFF渐变到品牌蓝#003366，创建‘company_blues’颜色映射。
3. 发散调色板：从品牌蓝#003366渐变到白色#FFFFFF，再渐变到品牌橙#FF9900，创建‘company_diverging’颜色映射。
4. 将这些自定义颜色映射注册到Matplotlib，并在团队中共享style.mplstyle文件。

颜色是数据可视化中最具表现力也最易出错的环节之一。它没有唯一的正确答案，但遵循感知原理、考虑使用场景、并保持一致性，能极大地提升你图表的质量和专业度。希望这份从基础到进阶的汇总，能成为你Python作图路上随时查阅的可靠色彩手册。