R语言科研配色：从ggsci到calecopal，一篇掌握三大配色方案

一、引言

同样是箱线图、柱状图，为什么有的让人一眼觉得"专业"，有的看起来就是"草稿水平"？差距往往不在分析本身，而在配色。

Nature、NEJM 等顶级期刊都有自己的标志性配色体系，而生态和环境科学领域还有一套灵感来自加州自然景观的色板------这些在 R 中都可以一键调用。

本文系统介绍三个配色包：ggsci （封装顶级期刊配色）、RColorBrewer （经典色盲友好调色板）和 calecopal（加州自然景观灵感色板），涵盖调色板预览、颜色代码提取和实战对比。

二、准备工作

r 复制代码

# 安装包
install.packages(c("ggplot2", "ggsci", "scales", "RColorBrewer", "paletteer"))

# calecopal 非CRAN包，安装方式：
# remotes::install_github("an-bui/calecopal")
# 或通过 paletteer 间接使用（calecopal:: 前缀）

# 加载包
library(ggplot2)
library(ggsci)
library(scales)
library(RColorBrewer)
library(paletteer)

本文使用两组简单演示数据：6个物种的多度数据（用于柱状图）和4组×10个观测值的箱线图数据（用于展示不同期刊配色效果）。

r 复制代码

set.seed(123)

# 柱状图数据（6个分类）
df <- data.frame(
  Species   = paste0("Sp", 1:6),
  Abundance = round(runif(6, 5, 30), 1)
)

# 箱线图数据（4个分组）
df_box <- data.frame(
  Group = rep(c("Forest", "Grassland", "Farmland", "Wetland"), each = 10),
  Value = c(rnorm(10, 25, 4), rnorm(10, 18, 3),
            rnorm(10, 22, 5), rnorm(10, 15, 3))
)

三、ggsci------期刊配色方案

3.1 期刊配色一键切换

ggsci 将主流期刊的配色方案封装为 ggplot2 的 scale_color_*() 和 scale_fill_*() 系列函数。以箱线图为例，创建基础图形后只需加上对应的配色函数即可切换：

r 复制代码

p_base <- ggplot(df_box, aes(x = Group, y = Value, fill = Group)) +
  geom_boxplot(alpha = 0.8, outlier.shape = NA) +
  theme_bw(base_size = 14) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "", y = "Value")

# 一行代码切换期刊配色
p_npg    <- p_base + scale_fill_npg()    # Nature
p_aaas   <- p_base + scale_fill_aaas()   # AAAS
p_nejm   <- p_base + scale_fill_nejm()   # NEJM
p_lancet <- p_base + scale_fill_lancet() # The Lancet
p_jama   <- p_base + scale_fill_jama()   # JAMA

五种期刊配色风格差异明显------NPG 颜色饱和稳重，AAAS 偏暖，NEJM 经典红蓝，Lancet 饱和度最低最为克制，JAMA 颜色数量少但区分度高。

3.2 可用期刊配色一览

ggsci 支持的期刊及主要配色方案如下表：

函数	色板名	颜色数	对应期刊
`scale_fill_npg()`	`"nrc"`	10	Nature Publishing Group
`scale_fill_aaas()`	`"default"`	10	AAAS
`scale_fill_nejm()`	`"default"`	8	New England Journal of Medicine
`scale_fill_lancet()`	`"lanonc"`	9	The Lancet Oncology
`scale_fill_jama()`	`"default"`	7	Journal of the American Medical Association
`scale_fill_jco()`	`"default"`	10	Journal of Clinical Oncology
`scale_fill_ucscgb()`	`"default"`	26	UCSC Genome Browser
`scale_fill_d3()`	`"category10"`	10	D3.js
`scale_fill_igv()`	`"default"`	51	Integrative Genomics Viewer
`scale_fill_tron()`	`"legacy"`	7	Tron Legacy
`scale_fill_futurama()`	`"planetexpress"`	7	Futurama
`scale_fill_gsea()`	`"default"`	12	GSEA 连续色板

scale_color_*() 控制点和线的颜色，scale_fill_*() 控制面的填充色（箱线图、柱状图、密度图等），同一期刊同时提供 color 和 fill 两个版本。

3.3 提取颜色代码

使用 pal_*() 系列函数可直接提取十六进制颜色代码，方便在非 ggplot2 绘图系统中使用：

r 复制代码

pal_npg("nrc")(10)
# #E64B35FF #4DBBD5FF #00A087FF #3C5488FF #F39B7FFF #8491B4FF
# #91D1C2FF #DC0000FF #7E6148FF #B09C85FF

通过 alpha 参数控制透明度，输出为 RGBA 十六进制码：

r 复制代码

pal_npg("nrc", alpha = 0.6)(9)
# #E64B3599 #4DBBD599 #00A08799 #3C548899 #F39B7F99 #8491B499
# #91D1C299 #DC000099 #7E614899

调色板颜色条可以直观对比各期刊配色风格：

四、RColorBrewer------经典科学调色板

RColorBrewer 提供经过人工优化且色盲友好的配色方案，分为三大类别：

分类色板（Qualitative）------区分无序类别，适合箱线图、柱状图的分组填充：

色板名	最大颜色数	特点
Set1	9	对比度高，清晰区分
Set2	8	柔和，适合大面积填充
Set3	12	颜色最多，多类别场景首选
Dark2	8	深色系，适合线和点
Paired	12	成对数据对比

连续色板（Sequential）------从浅到深的渐变，适合数量、密度等有序数据，如 Blues、Reds、YlOrRd 等。

发散色板（Diverging）------两端对比，适合正负值或偏离中心的差异，如 RdYlBu（红-黄-蓝）、Spectral（彩虹色系）。

提取颜色代码：

r 复制代码

brewer.pal(8, "Dark2")
# #1B9E77 #D95F02 #7570B3 #E7298A #66A61E #E6AB02 #A6761D #666666

在 ggplot2 中使用：

r 复制代码

p_base + scale_fill_brewer(palette = "Dark2")
p_base + scale_color_brewer(palette = "Set1")

五、calecopal------加州自然景观色板

calecopal 由 Bui (2020) 开发，灵感来自加利福尼亚州的自然景观，包含 45 个色板。该包托管在 GitHub 上，可通过 paletteer 间接使用，无需直接安装 calecopal 本身。

精选色板一览：

色板名	颜色数	灵感来源
sierra1	6	内华达山脉
chaparral1	6	加州灌木林
desert	5	莫哈韦沙漠
kelp1	6	海藻森林
tidepool	6	潮间带水潭
superbloom1	5	超级花季
redwood1	5	红木森林
fire	5	野火
wetland	5	湿地

完整 45 个色板还包括 agriculture、arbutus、bigsur、bigsur2、bixby、buow、calochortus、canary、caqu、casj、chaparral2、chaparral3、coastaldune1、coastaldune2、collinsia、conifer、creek、dudleya、eschscholzia、figmtn、gayophytum、grassdry、grasswet、halfdome、kelp2、lake、lupinus、oak、redwood2、sage、sbchannel、seagrass、sierra2、superbloom2、superbloom3、vermillion 等。

提取颜色：

r 复制代码

library(paletteer)
paletteer_d("calecopal::sierra1")
# #BD973DFF #5F5C29FF #3B7D6EFF #5792CCFF #4D5B75FF #262E43FF

在 ggplot2 中使用：

r 复制代码

p_base + scale_fill_paletteer_d("calecopal::superbloom1")
p_base + scale_color_paletteer_d("calecopal::chaparral1")

calecopal 色板风格各异：sierra1 沉稳、chaparral1 干燥暖色、desert 沙漠黄棕、kelp1 深蓝绿、tidepool 清新淡雅、superbloom1 粉紫花海、redwood1 森林深色、fire 红橙野火、wetland 柔和绿棕。生态学论文中使用这些色板，图表和自然环境之间会有天然的协调感。

六、同数据、三配色实战对比

用同一组数据绘制柱状图，分别应用 ggsci NPG、RColorBrewer Dark2 和 calecopal sierra1，效果差异一目了然：

r 复制代码

p_bar <- ggplot(df, aes(x = Species, y = Abundance, fill = Species)) +
  geom_bar(stat = "identity") +
  theme_bw(base_size = 13) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "", y = "Abundance")

# ggsci
p_bar + scale_fill_npg() + ggtitle("ggsci: NPG")

# RColorBrewer
p_bar + scale_fill_brewer(palette = "Dark2") + ggtitle("RColorBrewer: Dark2")

# calecopal
p_bar + scale_fill_paletteer_d("calecopal::sierra1") + ggtitle("calecopal: sierra1")

三张图站在一起对比很明显：NPG 学术感最强，适合期刊投稿；Dark2 色深沉稳，灰度打印下仍有良好区分度；sierra1 带有自然大地色调，用于生态学论文中最协调。

七、完整可运行代码

以下为完整 R 脚本，复制到 RStudio 即可运行：

r 复制代码

# ============================================================
# R语言科研配色：ggsci + RColorBrewer + calecopal 全攻略
# ============================================================
# install.packages(c("ggplot2", "ggsci", "scales", "RColorBrewer", "paletteer"))

library(ggplot2)
library(ggsci)
library(scales)
library(RColorBrewer)
library(paletteer)

set.seed(123)

# --- 演示数据 ---
df <- data.frame(
  Species   = paste0("Sp", 1:6),
  Abundance = round(runif(6, 5, 30), 1)
)
df_box <- data.frame(
  Group = rep(c("Forest", "Grassland", "Farmland", "Wetland"), each = 10),
  Value = c(rnorm(10, 25, 4), rnorm(10, 18, 3),
            rnorm(10, 22, 5), rnorm(10, 15, 3))
)

# --- ggsci 期刊配色 ---
p_base <- ggplot(df_box, aes(x = Group, y = Value, fill = Group)) +
  geom_boxplot(alpha = 0.8, outlier.shape = NA) + theme_bw(base_size = 14) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) + labs(x = "", y = "Value")
p_npg    <- p_base + scale_fill_npg()
p_aaas   <- p_base + scale_fill_aaas()
p_nejm   <- p_base + scale_fill_nejm()
p_lancet <- p_base + scale_fill_lancet()
p_jama   <- p_base + scale_fill_jama()

# --- 提取颜色代码 ---
pal_npg("nrc")(10)
brewer.pal(8, "Dark2")
paletteer_d("calecopal::sierra1")

# --- calecopal 在 ggplot2 中使用 ---
p_bar <- ggplot(df, aes(x = Species, y = Abundance, fill = Species)) +
  geom_bar(stat = "identity") + theme_bw(base_size = 13) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "", y = "Abundance")

p_bar + scale_fill_npg()
p_bar + scale_fill_brewer(palette = "Dark2")
p_bar + scale_fill_paletteer_d("calecopal::sierra1")

八、实用技巧总结

方法速查：

需要期刊级学术配色 → ggsci ，一行代码切换 Nature/AAAS/NEJM/Lancet/JAMA 需要色盲友好、经典分类色板 → RColorBrewer （Dark2/Set1/Paired）需要自然生态风格 → calecopal，加州景观灵感，色板名称直观需要连续渐变色 → RColorBrewer 连续色板（Blues/YlOrRd）或 ggsci GSEA 需要冷暖发散对比 → RColorBrewer 发散色板（RdYlBu/Spectral）

注意事项：

分类变量 ≤ 6 类时可用 calecopal 大部分色板，超过 6 类时用 ggsci NPG（10色）或 RColorBrewer Set3（12色）
连续变量（海拔、温度、浓度）用 RColorBrewer 连续色板，不用彩虹色（jet）
发散数据（差异倍数的正负值）用 RdYlBu 或 Spectral，冷暖两端对比最清晰
brewer.pal(n, name) 中 n 不可超过该色板的最大颜色数
calecopal 中每个色板的颜色数固定（6或5），多类别时选择 figmtn（9色）或通过 paletteer 组合
show_col() 函数可快速可视化颜色向量，预览配色效果
灰度打印场景，建议用 RColorBrewer Set2 或 Dark2

扩展建议：

用 scale_fill_manual(values = c(...)) 可完全自定义配色，从不同色板中精选组合
paletteer 集成了 100+ 个包共 2500+ 个色板，通过 paletteer_d("包名::色板名") 调用
同一篇文章的所有图表配色风格应统一，不建议每张图换一套色板

如果对你有帮助，欢迎 点赞 + 收藏。欢迎评论区交流 👋