数据可视化领域有个被奉为圭臬的准绳：感知均匀的色图（perceptually uniform colormaps）。Matplotlib 2.0 默认换成 viridis 后，几乎没人敢再用 jet。但作为常年评审研究图表的人，我想拆穿一个被系统性忽略的真相：viridis 的『均匀性』只在特定色彩空间成立，而那个空间与人类视觉的底层机制并不完全一致。

viridis 的设计基准是 CAM02-UCS（一种色彩外观模型），它试图让相邻色阶的感知距离相等。这比 jet 的『亮度非单调』进步巨大——jet 里黄色和青色之间有一条虚假的亮度脊线，会制造不存在的边界。但 CAM02-UCS 本身是平均观者模型，它假设所有观察者的色彩感知相同。现实中，约 8% 的男性和 0.5% 的女性有某种形式的色觉缺陷（红绿色弱最常见）。对这些人而言，viridis 从蓝到绿的过渡段会塌缩成同一种颜色，关键数据差异直接消失。

更隐蔽的是：连续色图的均匀性不等于分类色图的辨识度。很多人把 viridis 的连续色阶直接截断成 5-7 类用于分类数据，结果相邻类别（如第4和第5档）在色弱视角下几乎无法区分。Crameri et al. (2020) 在 Nature Communications 上提出 ‘scientific colour maps’ 时，专门测试了色弱模拟，发现 viridis 在 deuteranopia 模拟下的区分度并不理想。

我的建议不是『不要用 viridis』，而是：在发布任何图表前，用色觉模拟工具（如 colorblindr、dichromat）过一遍。如果你的结论在色弱模拟下依然成立，那才是真正的鲁棒可视化。

一个值得辩论的问题：当『感知均匀』与『色弱友好』冲突时（它们经常冲突），可视化标准应该优先满足谁？是统计学上的平均观者，还是被长期忽视的少数群体？