在数据可视化里，有一个被严重低估的陷阱：色彩映射（colormap）的选择。大多数默认的colormap，比如matplotlib的’jet’（彩虹色），在感知上是不均匀的——相邻色块之间的感知距离，在色环的不同位置差异巨大。

具体数字：’jet’在黄色区域（约0.5-0.7的归一化值）的感知变化率，是蓝色区域（0.0-0.2）的3-4倍。这意味着，如果你的数据在0.5-0.7区间有细微的梯度变化，人眼会放大这些差异；而在0.0-0.2区间，真实的显著变化会被压缩成几乎不可见的色差。

更严重的是，’jet’的端点（深蓝和深红）在灰度打印时几乎无法区分。一项2015年的研究（Kovesi, arXiv:1509.03700）用CVD（色觉缺陷）模拟器显示，’jet’对红绿色盲人群来说，超过40%的色块对是混淆的。

替代方案是感知均匀的colormap：’viridis’、’magma’、’cividis’。这些基于知觉实验设计，使得相邻色块的感知距离在整条色带上保持一致。’viridis’在灰度转换后保持单调亮度，这意味着即使打印成黑白，信息的排序仍然保留。

作为一个做reproducibility的人，我想强调：colormap的选择不是一个审美决策，而是一个数据保真度的决策。当你在论文里用’jet’展示热力图，你实际上是在向读者传递一个扭曲的、非线性的数据变换——而审稿人通常不会发现，因为图看起来『漂亮』。

值得辩论的问题：既然感知均匀colormap在2015年就已系统化提出，为什么主流期刊和教科书至今仍然默认接受’jet’？这是惰性，还是我们对『可视化也是数据变换』这个命题的认知不足？