Farbwahl in Datenvisualisierungen

Farbwahl in Datenvisualisierungen bezeichnet die systematische Auswahl von Farben, die Datenwerte korrekt und barrierefrei kodieren – unterteilt in sequenzielle, divergierende und kategorische Farbpaletten.

Rubrik: Mediendesign & Digitale Medien · Unterrubrik: Infografik & Datenvisualisierung · Niveau: Einsteiger

Was ist Farbwahl in Datenvisualisierungen?

In Datenvisualisierungen hat Farbe eine doppelte Aufgabe: Sie kodiert Information (Datenwerte, Kategorien, Richtungen) und sie gestaltet die Darstellung (Ästhetik, Markenidentität). Wenn Farbe schlecht gewählt wird, wird Information falsch vermittelt oder für Teile des Publikums unzugänglich. Wilke (2019) widmet der Farbwahl ein ganzes Kapitel und nennt drei fundamentale Anwendungsfälle, die drei verschiedene Palette-Typen erfordern.

Erklärung

Die drei Palette-Typen

1. Kategorische (qualitative) Farbpalette:

Wird verwendet, wenn verschiedene Kategorien ohne natürliche Reihenfolge unterschieden werden sollen (Länder, Parteien, Produkttypen). Alle Farben sind gleich „laut" – keine Farbe dominiert.

Eigenschaften:

• Farben unterscheiden sich in Farbton (Hue), nicht in Helligkeit oder Sättigung.
• Alle Farben wirken gleichwertig; keine Implikation von mehr/weniger.
• Maximal 8–10 unterscheidbare Farben möglich; danach verwirrendes Chaos.

Beispiel-Paletten: ColorBrewer Qualitative (Set1, Set2, Dark2), Tableau 10.

2. Sequenzielle Farbpalette:

Wird verwendet, wenn Daten eine natürliche Reihenfolge haben (niedrig bis hoch, wenig bis viel). Die Palette verläuft von hell (niedrig) zu dunkel (hoch) – oder von einer schwachen zu einer starken Farbe.

Eigenschaften:

• Helligkeit (Luminanz) verändert sich gleichmäßig entlang der Skala.
• Betrachterinnen und Betrachter sehen sofort: dunklere Farbe = höherer Wert.
• Perceptuell uniforme Paletten (Viridis, Plasma, Magma, Cividis) sind die beste Wahl.

Beispiel-Paletten: ColorBrewer Sequential (Blues, YlOrRd, BuPu), Viridis, Inferno.

3. Divergierende Farbpalette:

Wird verwendet, wenn Daten einen bedeutsamen Mittelpunkt haben und Abweichungen nach oben und unten kommuniziert werden sollen (positive/negative Veränderung, Abweichung vom Durchschnitt, politische Lager).

Eigenschaften:

• Zwei unterschiedliche Farbtöne an den Enden, eine neutrale Farbe (Weiß, Hellgrau) in der Mitte.
• Die Stärke der Farbe zeigt die Abweichung vom Mittelpunkt.
• Typisches Beispiel: Blau–Weiß–Rot für Temperaturanomalien, Links–Mitte–Rechts für Wahlergebnisse.

Beispiel-Paletten: ColorBrewer Diverging (RdBu, PuOr, BrBG), coolwarm.

ColorBrewer

ColorBrewer (colorbrewer2.org) ist die wichtigste Ressource für kartographisch und perceptuell optimierte Farbpaletten in Datenvisualisierungen. Sie wurde von Kartographin Cynthia Brewer entwickelt und bietet Paletten in allen drei Typen.

Features von ColorBrewer:

• Filteroption „colorblind-safe": Zeigt nur Paletten, die für alle Formen der Farbenblindheit lesbar sind.
• Filteroption „print-friendly": Lesbar in Schwarzweiß-Druck.
• Filteroption „photocopy-safe": Lesbar nach dem Fotokopieren.
• Paletten für 3–12 Klassen.
• Direkter Export als HEX-Codes, die in Datawrapper, Flourish oder D3.js genutzt werden können.

Perceptuell uniforme Farbskalen

Ein häufiger Fehler: Farbskalen, die optisch „schön" sind, aber nicht perceptuell uniform sind. Eine perceptuell uniforme Skala bedeutet: Gleiche Differenzen in den Datenwerten erzeugen gleich wahrgenommene Unterschiede in der Farbe. Die Regenbogenpalette (Jet) ist berüchtigt dafür, nicht perceptuell uniform zu sein – sie erzeugt „Falschfarben-Artefakte", die das Auge als Grenzen wahrnimmt, die in den Daten nicht vorhanden sind.

Empfohlene perceptuell uniforme Paletten: Viridis, Plasma, Magma, Cividis, Inferno (alle aus der matplotlib/D3-Bibliothek). Diese sind auch für die meisten Formen der Farbenblindheit geeignet.

Farbe als einzige Kodierung vermeiden

Eine wichtige Regel der Barrierefreiheit: Farbe sollte nicht das einzige visuelle Mittel sein, um Informationen zu unterscheiden. Wenn Farbe die einzige Unterscheidung ist (z. B. rote vs. grüne Linie im Liniendiagramm), können Menschen mit Rot-Grün-Schwäche (ca. 8 % der Männer) die Grafik nicht lesen. Lösungen: Zusätzliche Unterscheidung durch Linienmuster (gestrichelt, gepunktet), direkte Beschriftungen an den Linien oder Symbole.

Semantische Farbassoziationen

Manche Farben tragen kulturelle Bedeutungen, die in Visualisierungen genutzt oder vermieden werden sollten:

• Rot: Gefahr, Verlust, Hitze, hoher Wert → in Dataviz oft für „schlecht" oder „hoch" verwendet.
• Grün: Sicherheit, Gewinn, Natur, gut → oft für „gut" oder „niedrig" bei Temperaturen verwendet.
• Blau: Kälte, Wasser, neutral → häufig als Grundfarbe für neutrale Darstellungen.
• Parteifarben: In der deutschen Politikberichterstattung sind Farben klar kodiert (SPD = Rot, CDU = Schwarz, Grüne = Grün usw.). Diese Konventionen sollten eingehalten werden, um Verwirrung zu vermeiden.

Cairo (2016) warnt vor zu einfachen semantischen Assoziationen: Rot bedeutet nicht überall Gefahr, und Grün bedeutet nicht überall Gut.

Wann einsetzen / wann nicht

Kategorische Palette einsetzen, wenn: Kategorien ohne Rangfolge unterschieden werden sollen (Parteinamen, Produkttypen, Länder).

Sequenzielle Palette einsetzen, wenn: Ein Wert von niedrig nach hoch kodiert wird (Bevölkerungsdichte, Einkommensniveau, Infektionsrate).

Divergierende Palette einsetzen, wenn: Abweichungen von einem Mittelpunkt wichtig sind (Veränderungsrate, politische Polarisierung, Temperaturanomalien).

Vermeiden:

• Zu viele Farben gleichzeitig (> 8 Kategorien = Farb-Chaos).
• Regenbogenpalette für kontinuierliche Daten.
• Farbe als einzige Kodierung ohne Alternativ-Encoding.
• Ästhetische Farben ohne Datenbedeutung (Decoration).

Beispiele (5 konkrete)

1. Choropleth-Karte Bevölkerungsdichte: Sequenzielle Palette (Hellgelb → Dunkelbraun), 5 Klassen, ColorBrewer „YlOrBr". Jede Klasse dunkler = höhere Dichte.
2. Bundestagswahl-Karte: Divergierende Palette (SPD-Rot links, CDU-Schwarz rechts), Weiß für 50/50-Splitkreise. Parteifarben als semantische Kodes.
3. Temperaturanomalien: Divergierende Palette Blau–Weiß–Rot. Blau = kühler als Durchschnitt, Rot = wärmer. Vertraute Assoziation durch Temperaturkonvention.
4. Liniendiagramm mit Ländervergleich: Kategorische Palette (5 Farben aus ColorBrewer Set1), jede Linie einer Farbe, direkt am Linienende beschriftet. Keine Legende nötig.
5. Heatmap Websitetraffic: Sequenzielle Palette Viridis (dunkelviolett für niedrig, gelb für hoch), perceptuell uniform, farbenblind-sicher. Jede Zelle = eine Stunde/Wochentag-Kombination.

In der Praxis

Datawrapper: Datawrapper hat ColorBrewer-Paletten fest integriert. Beim Erstellen von Choropleth-Karten oder Heatmaps wird direkt nach Palette-Typ gefragt (sequenziell, divergierend, kategorisch). Ein Farbenblindheits-Check ist in der Preview-Ansicht verfügbar.

Flourish: Flourish bietet eigene kuratierte Paletten und erlaubt die manuelle Eingabe von HEX-Codes für individuelle Farbschemata. Kategorische Paletten für bis zu 12 Kategorien verfügbar.

D3.js: D3 bietet eingebaute Farbinterpolatoren für alle gängigen Paletten: d3.interpolateViridis, d3.interpolateRdBu, d3.schemeSet1 usw. Für eigene Paletten: d3.scaleOrdinal(["#farbe1", "#farbe2", ...]). ColorBrewer-Paletten sind via d3-scale-chromatic-Plugin verfügbar.

Vergleich & Abgrenzung

Häufige Fragen (FAQ)

Warum ist die Regenbogenpalette (Jet) so problematisch? Die Regenbogenpalette ist nicht perceptuell uniform: Gelb und Cyan erscheinen dem Auge viel heller als Rot und Blau – unabhängig vom Datenwert. Das erzeugt optische Artefakte: Scheinbare Grenzen oder Sprünge im Bild, die in den Daten nicht existieren. Außerdem ist sie für Menschen mit Rot-Grün-Schwäche praktisch unlesbar. Perceptuell uniforme Alternativen wie Viridis vermeiden beide Probleme.

Was ist ColorBrewer und wie nutze ich es? ColorBrewer (colorbrewer2.org) ist ein interaktives Werkzeug, das Farbpaletten für Karten und Datenvisualisierungen nach Typ (qualitativ, sequenziell, divergierend) und Anzahl der Klassen anbietet. Einfach Typ und Klassen-Anzahl wählen, „colorblind safe" anklicken, Palette auswählen, HEX-Codes kopieren. Diese Codes funktionieren direkt in Datawrapper, Flourish, D3.js, R und Python.

Verwandte Einträge

• Accessibility in Data Viz — Farbenblindheits-sichere Gestaltung
• Heatmap — Sequenzielle und divergierende Paletten in der Praxis
• Choropleth-Karte — Kartographische Farbpaletten

Weiterführend

• Wilke, C. O. (2019). Fundamentals of Data Visualization, Kap. 4 (Color scales). O'Reilly Media.
• Cairo, A. (2016). The Truthful Art, Kap. 10 (Color). New Riders.
• Brewer, C. A. (2005). Designing Better Maps. ESRI Press.
• ColorBrewer: colorbrewer2.org
• Nunez, J. R. et al. (2018). Optimizing Colormaps with Consideration for Color Vision Deficiency. PLOS ONE, 13(7).