如何为色盲人士创建可访问的图表-开发者社区

原文：towardsdatascience.com/how-to-create-accessible-graphs-for-colorblind-people-295e517c9b15

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/5ee134235b43177c165597573f5501ff.png

作者使用 Midjourney 创建的图像。

色盲，或更准确地说，色觉缺陷，影响多达 8%的男性和 0.5%的女性。最常见的情况是红绿色盲，这是一种先天性失调，其中人们在视网膜上缺乏对红色或绿色的感受器。因此，他们无法区分红色和绿色、青色和灰色、蓝色和紫色等颜色对。

对于数据科学家来说，在选择图表的颜色方案时考虑色盲用户是很重要的。相当一部分用户将会有某种形式的色觉缺陷，他们可能对图表的理解与预期不同。事实上，当我直接主管无法阅读我的折线图时，我意识到了这一点，结果是他难以区分红色和绿色。

在这篇文章中，我将分享

用于最常见的色盲形式的 Python 模拟器
matplotlib 和 seaborn 默认颜色方案的可用性测试
使用 ColorBrewer 创建可访问的颜色方案

色盲是什么样的？

色觉是由视网膜中的锥状细胞实现的。有三种不同类型的锥状细胞分别接收红光、绿光和蓝光。红绿色盲的人缺乏检测红光或绿光的锥状细胞。两种锥状细胞都缺乏，只剩下蓝光感受器的情况很少见，同样缺乏蓝光感受器和全色盲，即所有色觉感受器的缺失也很少见。

对于能够看到所有颜色的人来说，很难想象色盲人士看到的图表是什么样的。色盲模拟器是检查你的图形可访问性的有用工具。以下面板中的模拟是通过DaltonLens 在线色盲模拟器制作的，使用了Brettel算法。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1d9d3f3beba9d9f026236139c846c429.png

原图由作者使用 Midjourney 生成。通过 Dalton 镜片进行色盲模拟的变体。daltonlens.org/colorblindness-simulator

Python 模拟器

DaltonLens 项目提供了模拟色觉缺陷的几个算法的实现。源代码可在 Github 上找到，并且可以使用以下命令安装库本身：

pip install daltonlens

我们使用 Python 图像库（PIL）和一个由两条线组成的图表组成的测试图像。测试图像由以下代码行生成并保存为 png 图像文件。

frommatplotlibimportpyplotaspltimportnumpyasnp# Create a test image featuring two line plotsfig,ax=plt.subplots(1,1)ax.plot(x,y1,label='data 1',color='red')ax.plot(x,y2,label='data 2',color='green')ax.set_xlabel('x')ax.set_ylabel('y')ax.legend()plt.savefig('./plots/2024-dalton-lines.jpg',bbox_inches='tight')

然后，我们加载测试图像，色盲模拟器将 RGB 值转换，以便转换后的图像与色觉缺陷的人的感知相似。

fromdaltonlensimportconvert,simulate,generateimportPIL# Load the original image and convert it to a numpy arrayim=np.asarray(PIL.Image.open('./plots/2024-dalton-lines.jpg').convert('RGB'))# Create a simulator using the Brettel 1997 algorithm.simulator=simulate.Simulator_Brettel1997()# Apply the simulator to the input image to get a simulation of deutan anomaly ("green-blindness")greenblind_im=simulator.simulate_cvd(im,simulate.Deficiency.DEUTAN,severity=1.0)# Create an image from the transformed arrayim2=PIL.Image.fromarray(protan_im)

两个图像并排比较显示，模拟绿色盲版本（中间和右侧）中左侧的红色和绿色线条几乎看不见。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9a1d3fea776b0765dd151e272ea03088.png

使用 daltonlens 软件包模拟绿色色觉缺陷的图表。图像由作者创建。

daltonlens库包含不同类型色觉缺陷的模拟器。可以通过传递simulate.Deficiency.{DEUTAN, TRITAN, PROTAN}的实例到模拟器中来改变它们。

DEUTAN对应绿色盲（约 6% 的男性和 0.39% 的女性人口）。
PROTAN对应红色盲（约 2% 的男性和 0.04% 的女性人口）。
TRITAN对应蓝色盲（非常罕见，受影响比例不到 0.002%）。

此外，可以选择不同的算法，尽管他们的网站上推荐 Bretter 和 Viennot 算法。

色盲模拟是如何工作的？

在底层，算法执行矩阵变换。一个 RGB 图像可以表示为一个数组，其中每个像素对应一个包含红色、绿色和蓝色值的数组。

这个 RGB 像素数组被转换成一个表示，其中视网膜上的三种锥体（L、M 和 S）形成坐标系。在这个表示中，像素值根据缺陷的锥体和色觉缺陷的严重程度进行转换。

最后，数组被转换回 RGB，以便可以在显示器上正确显示。

默认颜色方案的可访问性如何？

Python 的默认绘图库是 matplotlib。线图的默认颜色方案由八种颜色组成。以下图显示了所有八种颜色的线图。当我们模拟绿色盲的人看到这个图表的样子时，我们看到颜色仍然可以区分，尽管它们看起来比原始图表更接近。例如，蓝色和紫色（C0 和 C4）几乎无法区分。红色、绿色和棕色（C2、C3、C5）也是如此。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/c5e2337a4942e514348dd454a0529b29.png

默认 matplotlib 颜色周期的八种颜色。左：原始颜色。右：模拟绿色盲。图像由作者创建。

在这种情况下，一个可访问的图表会使用线型（虚线、点线和实线）。此外，我不会在图表中使用过多的线条，因为这会使图表变得杂乱。

使用热图显示二维数据。以下代码生成样本数据，并使用在红色、黄色和绿色之间变化的颜色图。然后对其进行处理以模拟绿色盲。我们使用严重程度参数来改变颜色视觉缺失的程度，在这种情况下为 75%到 100%。

# create an example figurefig,ax=plt.subplots(1,1)xx,yy=np.meshgrid(np.linspace(0,2*np.pi,40),np.linspace(0,2*np.pi,40))zz=np.cos(xx)+np.sin(yy)img=ax.imshow(zz,cmap='RdYlGn')plt.colorbar(img)ax.set_xlabel('x')ax.set_ylabel('y')fig.tight_layout()plt.savefig('./plots/2024-dalton-mpl-heat-rdylgn.jpg')# simulate 75% green-blindnessim=np.asarray(PIL.Image.open('./plots/2024-dalton-mpl-heat-rdylgn.jpg').convert('RGB'))simulator=simulate.Simulator_Brettel1997()greenblind_im=simulator.simulate_cvd(im,simulate.Deficiency.DEUTAN,severity=0.75)im2=PIL.Image.fromarray(greenblind_im)im2# simulate full green-blindnessim=np.asarray(PIL.Image.open('./plots/2024-dalton-mpl-heat-rdylgn.jpg').convert('RGB'))simulator=simulate.Simulator_Brettel1997()greenblind_im=simulator.simulate_cvd(im,simulate.Deficiency.DEUTAN,severity=1.0)im3=PIL.Image.fromarray(greenblind_im)im3

结果图显示，这种颜色图对色盲人士来说是一个糟糕的选择。正负值出现在相同的色调中。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/5ac7aa283870937561b8454626d5e313.png

模拟的 2D 热图颜色视觉缺失。图像由作者创建。

幸运的是，有一些颜色调色板更适合色盲人士。下一面板显示了一个使用 viridis 颜色图的 heatmap，颜色从黄色循环到蓝色。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/15489f8f14b73b222c3e542c0b0b41f0.png

模拟 viridis 调色板颜色视觉缺失。图像由作者创建。

统计图表，如条形图，通常使用颜色来提高可读性。我们使用 seaborn 绘图库和默认颜色调色板来创建玩具数据的条形图。

# create example bar plotimportpandasaspdimportseabornassns fig,ax=plt.subplots(1,1)x=['A','B','C','D','E','F','G','H']y=np.random.rand(len(x))data=pd.DataFrame(dict(x=x,y=y))# plot with seabornsns.barplot(data=data,x=x,y=y)ax.set_xlabel('Category')ax.set_ylabel('Value')fig.tight_layout()plt.savefig('./plots/2024-dalton-bar.jpg')# simulate green-blindnessim=np.asarray(PIL.Image.open('./plots/2024-dalton-bar.jpg').convert('RGB'))simulator=simulate.Simulator_Brettel1997()greenblind_im=simulator.simulate_cvd(im,simulate.Deficiency.DEUTAN,severity=1.0)im2=PIL.Image.fromarray(greenblind_im)im2