Typen

Kategorisch ("qualitativ")

• Für ~nominale Daten
• Frauen, Männer, Eichhörnchen, ...
• Auto, Fahrrad, Bahn, ...
• Eiche, Buche, Tanne, ...
• Jede Klasse ist eine gleichwertige Kategorie
• Verschiedene Farbtöne
• Möglichst keine implizierte Rangfolge
• Möglichst ähnliche helle Farben

Source: Cartography Guide by Axis Maps

Sequenziell

• Für ~ordinale oder ~Intervall-Daten
• A, B, C, ...
• 1, 4, 12, 42, ...
• Jede Klasse hat einen Rang (mehr/weniger) zu ihren Nachbarn
• Verschiedene Farbabstufungen
• Abstufung primär über Helligkeit

Source: Cartography Guide by Axis Maps

Divergent ("bipolar")

• Für ~Ratio-Daten
• -1, 0, 1, ...
• Schlecht, Neutral, Gut, ...
• 10, 40 (Grenzwert!**), 1000
• Es gibt einen Nullpunkt oder anderweitig kritischen Wert
• Dort Wechsel des Farbtons
• Quasi zwei sequentielle Farbschemata, die auf neutrale Mitte zu laufen
• Dort meist neutraler Farbton sinnvoll
• Oder bei z.B. Grenzwert ein harter Bruch

Zyklisch

• Für zyklische Daten
• Relativ gesehen ist alles gleichwertig, aber es gibt eine zyklische Reihenfolge
• Von "23 Uhr" bis "1 Uhr" ist genauso lang wie "9 Uhr" bis "11 Uhr"
• Rangfolge möglich (0 Uhr ist doof, 9 Uhr ist besser)
• Z.B.: Regenbogen..., Cubehelix, Twilight (ganz neu in matplotlib), cmocean

Source: nicoguaro on Stack Overflow

Bivariat

Bivariate Choropleth Maps: A How-to Guide, by Joshua Stevens

• Erwähne ich hier nur der Vollständigkeit halber
• Außer für Expertennutzer absolut NICHT anzuraten.
• Falls es unbedingt sein muss:
  • Mindestens http://www.joshuastevens.net/cartography/make-a-bivariate-choropleth-map/ und https://www.axismaps.com/guide/multivariate/bivariate-choropleth/ lesen UND VERSTEHEN!
  • Prüfen, ob das Resultat tatsächlich ein Informationsgewinn ist und ob man es tatsächlich versteht!

Welche Eigenschaften sollte ein Farbschema haben

Unterscheidbarkeit

• Die Farben sollten unterscheidbar sein
• Die Farben sollten identifizierbar sein


• Faustregel: Maximal verschiedene 12 Farben
• Faustregel: 5-7 Farbabstufungen
• Unklassifizierte, kontinuierliche Farbskalen sind selten sinnvoll


• Farbabstände sind messbar!
• Farbsehschwächen sind kompliziert...

Farbabstände

• In geeignetem Farbraum berechnen (CIEDE2000)!(!!!!)
• Delta E 101 ist ein toller Überblick
  

  Delta E	Perception
  <= 1.0	Not perceptible by human eyes.
  1 - 2	Perceptible through close observation.
  2 - 10	Perceptible at a glance.
  11 - 49	Colors are more similar than opposite
  100	Colors are exact opposite

• Kein einfaches Tool verfügbar?
  • Wer ein bisschen programmieren kann, findet für Python, R oder JavaScript hervorragende Bibliotheken

http://www.colormunki.com/game/huetest_kiosk

Farbsehschwächen

• 5-10% der weißen Männer haben Farbsehschwächen
• Rote und grüne Farbtöne können schwer/nicht unterschieden werden
• Helligkeitsunterschiede!
• Weitere Kodierung(en)
• Es gibt Simulationen (z.B. ColorOracle)
• Es gibt "sichere" Farben und Farbachsen, z.B. Orange-Blau
• Es gibt Versuche Grafiken automatisiert in unterscheidbare Farben zu transformieren (z.B. gmculp/OGA_recolor)

Jenny, B. and Kelso, N. V. (2007). Color design for the color vision impaired. Cartographic Perspectives, 58.

Jenny, B. and Kelso, N. V. (2007). Color design for the color vision impaired. Cartographic Perspectives, 58.

Jenny, B. and Kelso, N. V. (2007). Color design for the color vision impaired. Cartographic Perspectives, 58.

http://bl.ocks.org/gmculp/raw/8271673/

Farbunterschiede 🗘 Wertunterschiede

• Die "gefühlten" Unterschiede zwischen Farben sollten den Unterschieden der Werte bestmöglich entsprechen
• Schlecht:
  • Kleine relative Unterschiede in Daten haben stark unterschiedliche Farben
  • Kaum unterscheidbare Farben markieren große relative Werteunterschiede der Daten
• "Perceptually uniform"er An- oder Abstieg

Helligkeit optimieren

Skalentypen

• Die Farbskala sollte dem Skalentyp der Daten entsprechen
• Die Farbskala muss dem Skalentyp der gewollten Aussage entsprechen

Konventionen folgen

• Gibt es für das darzustellende Thema bestimmte Farbkonventionen, so sollten diese verwendet werden
• Ausnahmen bestätigen die Regel: Sofern diese⤴ nicht bewiesenermaßen schlecht sind
• Ausnahmen bestätigen die Regel: Sofern das⤴ im Vergleich zum Wiedererkennungswert irrelevant ist
• Regenbogen, Ampel, Pink/Blau, u.ä.
• Hat die Disziplin bereits Schema auf moderner Forschung? Z.B. Beautiful colormaps for oceanography: cmocean

Der Regenbogen

Der Regenbogen

• Farbverläufe im Farbkreis (ohne Berücksichtigung der unterschiedlichen wahrgenommenen Helligkeit)
• Kennt man auch als ROYGBIV, Spektrum, Rainbox, Jet u.ä., in jeweils ähnlichen Ausprägungen
• Jede Regenbogenskala ist bisschen anders

Beispiele

The Internet(tm)

NOAA via Zvlovich on Mathematica Stack Exchange

Kernel Regression, by Chris McCormick

CFD Simulation Software | ANSYS Fluids

The Internet(tm)

• Which horizontal oscillation (A, B, or C) has the highest amplitude?
• Which horizontal oscillation (A, B, or C) is closest to a pure sinusoid?
• In comparing plots A and C, which one starts high and goes low, and which one starts low and goes high?

A New Colormap for MATLAB – Part 1 – Introduction

• Which horizontal oscillation (A, B, or C) has the highest amplitude?
• Which horizontal oscillation (A, B, or C) is closest to a pure sinusoid?
• In comparing plots A and C, which one starts high and goes low, and which one starts low and goes high?

A New Colormap for MATLAB – Part 2 – Troubles with Rainbows

Matlab

Selbst Matlab hat 2014 die ehemalige "Jet"-Farbskala durch eine bessere ersetzt

A New Colormap for MATLAB – Part 1 – Introduction

Viridis

• designed in such a way that it will analytically be perfectly perceptually-uniform, both in regular form and also when converted to black-and-white

mpl colormaps

Weitere Alternativen

Cubehelix, or How I Learned to Love Black & White Printers

Beispiele

https://datawrapper.dwcdn.net/c8sgd/2/

https://datawrapper.dwcdn.net/dHIle/10/

rbb24.de/politik/thema/2017/abgasalarm/beitraege/abgasalarm-Stickoxid-Werte-in-Berlin-flaechendeckend-zu-hoch.html

http://www.spiegel.de/kultur/gesellschaft/deutschland-spricht-kuck-mal-wer-da-spricht-eine-datenanalyse-a-1228590.html

http://www.spiegel.de/kultur/gesellschaft/deutschland-spricht-kuck-mal-wer-da-spricht-eine-datenanalyse-a-1228590.html

https://www.sueddeutsche.de/

https://unfallatlas.statistikportal.de/

https://blog.datawrapper.de/weekly45-energy-consumption-of-IT-sector/

https://datawrapper.dwcdn.net/vUepn/1/

https://old.reddit.com/r/dataisbeautiful/comments/9hibzi/most_historically_unpopular_presidential/

Tools ausprobieren!

ColorBrewer: Color Advice for Maps

• Fertige Farbschemata
• Nicht nur für Karten
• Wissenschaftlich und ästhetisch
• Bereits in vielen Tools und Bibliotheken integriert

i want hue

• Erstellen von Farbschemata
• Beschränkung des Farbtons -> Sequenziell
• Bewertung der Unterscheidbarkeit
• Komplexe Möglichkeiten...
• Man kann (erzeugte) Farben festlegen

Colorgorical

• Erzeugen optimierter kategorischer Paletten
• Fixe Farben definierbar
• Farbabstände
• Ästhetik
• Tip: Pipette-Symbol zeigt Farbrauminfos

Chroma.js Color Scale Helper

• Optimieren von Farbverläufe
• Eigentlich für mehrere Farbtöne
• Interpoliert Farben schlau und schön
• Auch wunderbar für einfache Abstufungen
• Farbverlauf optimieren

VIZ PALETTE

• Untersuchung von Farbpaletten
• Verschiedene Diagramme
• Simulation von Farbsehschwächen
• Unterscheidbarkeit
• Benennbarkeit

viscm

• A tool for visualizing and designing colormaps using colorspacious and matplotlib
• Visualisierung verschiedener Parameter
• Einfärben ausgewählter Dummydaten
• Für die Entwicklung von viridis entwickelt

• Vorsicht: Aktuelle Version in PyPi ist kaputt
  • pip install --user --upgrade git+https://github.com/matplotlib/viscm
• Eigene Farben muss man als Matplotlib cmap aufbereiten
  • https://stackoverflow.com/questions/16834861/create-own-colormap-using-matplotlib-and-plot-color-scale

from viscm import viscm
import matplotlib.pyplot as plt
from matplotlib import cm
cmap = cm.get_cmap("cubehelix")
viscm(cmap)
plt.show()