⚡

科学可视化Skill scientific-visualization

科学可视化技能专注于使用Python数据可视化库（如matplotlib、seaborn、plotly）创建高质量、符合出版标准的科学图表。它支持多面板布局、误差棒、显著性标记、色盲友好调色板，并导出为PDF、EPS、TIFF等格式，适用于学术期刊提交和科研绘图。关键词：科学绘图、数据可视化、出版物图表、matplotlib、seaborn、plotly、科研绘图、学术出版、色盲友好、多面板图表。

数据可视化 0 次安装 0 次浏览 更新于 3/16/2026

name: 科学可视化 description: “使用matplotlib/seaborn/plotly创建出版物图表。多面板布局、误差棒、显著性标记、色盲安全、导出PDF/EPS/TIFF，用于期刊就绪的科学图表。”

科学可视化

概述

科学可视化将数据转化为清晰、准确的图表以供发表。使用多面板布局、误差棒、显著性标记和色盲安全调色板创建期刊就绪的图表。使用matplotlib、seaborn和plotly导出为PDF/EPS/TIFF格式，用于手稿。

何时使用此技能

此技能应在以下情况使用：

  • 为科学手稿创建图表或可视化
  • 准备期刊提交的图表（如Nature、Science、Cell、PLOS等）
  • 确保图表色盲友好且可访问
  • 制作具有一致样式的多面板图表
  • 以正确的分辨率和格式导出图表
  • 遵循特定出版物指南
  • 改进现有图表以满足出版标准
  • 创建需要在彩色和灰度中工作的图表

快速入门指南

基本出版物质量图表

import matplotlib.pyplot as plt
import numpy as np

# 应用出版物样式（来自scripts/style_presets.py）
from style_presets import apply_publication_style
apply_publication_style('default')

# 创建适当大小的图表（单列=3.5英寸）
fig, ax = plt.subplots(figsize=(3.5, 2.5))

# 绘制数据
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')

# 正确标注单位
ax.set_xlabel('时间（秒）')
ax.set_ylabel('振幅（mV）')
ax.legend(frameon=False)

# 移除不必要的边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# 以出版物格式保存（来自scripts/figure_export.py）
from figure_export import save_publication_figure
save_publication_figure(fig, 'figure1', formats=['pdf', 'png'], dpi=300)

使用预配置样式

使用assets/中的matplotlib样式文件应用期刊特定样式：

import matplotlib.pyplot as plt

# 选项1：直接使用样式文件
plt.style.use('assets/nature.mplstyle')

# 选项2：使用style_presets.py助手
from style_presets import configure_for_journal
configure_for_journal('nature', figure_width='single')

# 现在创建图表 - 它们将自动匹配Nature规范
fig, ax = plt.subplots()
# ... 您的绘图代码 ...

使用Seaborn快速入门

对于统计图表，使用seaborn与出版物样式：

import seaborn as sns
import matplotlib.pyplot as plt
from style_presets import apply_publication_style

# 应用出版物样式
apply_publication_style('default')
sns.set_theme(style='ticks', context='paper', font_scale=1.1)
sns.set_palette('colorblind')

# 创建统计比较图表
fig, ax = plt.subplots(figsize=(3.5, 3))
sns.boxplot(data=df, x='treatment', y='response', 
            order=['Control', 'Low', 'High'], palette='Set2', ax=ax)
sns.stripplot(data=df, x='treatment', y='response',
              order=['Control', 'Low', 'High'], 
              color='black', alpha=0.3, size=3, ax=ax)
ax.set_ylabel('响应（μM）')
sns.despine()

# 保存图表
from figure_export import save_publication_figure
save_publication_figure(fig, 'treatment_comparison', formats=['pdf', 'png'], dpi=300)

核心原则和最佳实践

1. 分辨率和文件格式

关键要求（详见references/publication_guidelines.md）：

  • 栅格图像（照片、显微镜）：300-600 DPI
  • 线图（图表、绘图）：600-1200 DPI或矢量格式
  • 矢量格式（首选）：PDF、EPS、SVG
  • 栅格格式：TIFF、PNG（科学数据切勿使用JPEG）

实现：

# 使用figure_export.py脚本获取正确设置
from figure_export import save_publication_figure

# 以多种格式和适当DPI保存
save_publication_figure(fig, 'myfigure', formats=['pdf', 'png'], dpi=300)

# 或针对特定期刊要求保存
from figure_export import save_for_journal
save_for_journal(fig, 'figure1', journal='nature', figure_type='combination')

2. 颜色选择 - 色盲可访问性

始终使用色盲友好调色板（详见references/color_palettes.md）：

推荐：Okabe-Ito调色板（所有类型色盲均可区分）：

# 选项1：使用assets/color_palettes.py
from color_palettes import OKABE_ITO_LIST, apply_palette
apply_palette('okabe_ito')

# 选项2：手动指定
okabe_ito = ['#E69F00', '#56B4E9', '#009E73', '#F0E442',
             '#0072B2', '#D55E00', '#CC79A7', '#000000']
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)

对于热图/连续数据：

  • 使用感知均匀的色图：viridis、plasma、cividis
  • 避免红绿发散色图（改用PuOr、RdBu、BrBG）
  • 切勿使用jet或rainbow色图

始终在灰度中测试图表以确保可解释性。

3. 排版和文本

字体指南（详见references/publication_guidelines.md）：

  • 无衬线字体：Arial、Helvetica、Calibri
  • 最终打印尺寸的最小尺寸：
    • 轴标签：7-9 pt
    • 刻度标签：6-8 pt
    • 面板标签：8-12 pt（粗体）
  • 标签使用句子大小写："时间（小时）“而非"TIME（HOURS）”
  • 始终在括号中包含单位

实现：

# 全局设置字体
import matplotlib as mpl
mpl.rcParams['font.family'] = 'sans-serif'
mpl.rcParams['font.sans-serif'] = ['Arial', 'Helvetica']
mpl.rcParams['font.size'] = 8
mpl.rcParams['axes.labelsize'] = 9
mpl.rcParams['xtick.labelsize'] = 7
mpl.rcParams['ytick.labelsize'] = 7

4. 图表尺寸

期刊特定宽度（详见references/journal_requirements.md）：

  • Nature：单列89 mm，双列183 mm
  • Science：单列55 mm，双列175 mm
  • Cell：单列85 mm，双列178 mm

检查图表尺寸合规性：

from figure_export import check_figure_size

fig = plt.figure(figsize=(3.5, 3))  # Nature为89 mm
check_figure_size(fig, journal='nature')

5. 多面板图表

最佳实践：

  • 用粗体字母标记面板：A、B、C（大多数期刊用大写，Nature用小写）
  • 在所有面板中保持一致的样式
  • 尽可能沿边缘对齐面板
  • 在面板之间使用足够的空白

示例实现（完整代码见references/matplotlib_examples.md）：

from string import ascii_uppercase

fig = plt.figure(figsize=(7, 4))
gs = fig.add_gridspec(2, 2, hspace=0.4, wspace=0.4)

ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
# ... 创建其他面板 ...

# 添加面板标签
for i, ax in enumerate([ax1, ax2, ...]):
    ax.text(-0.15, 1.05, ascii_uppercase[i], transform=ax.transAxes,
            fontsize=10, fontweight='bold', va='top')

常见任务

任务1：创建出版物就绪的线图

完整代码见references/matplotlib_examples.md示例1。

关键步骤：

  1. 应用出版物样式
  2. 为目标期刊设置适当的图表尺寸
  3. 使用色盲友好颜色
  4. 添加正确表示的误差棒（SEM、SD或CI）
  5. 用单位标注轴
  6. 移除不必要的边框
  7. 以矢量格式保存

使用seaborn自动置信区间：

import seaborn as sns
fig, ax = plt.subplots(figsize=(5, 3))
sns.lineplot(data=timeseries, x='time', y='measurement',
             hue='treatment', errorbar=('ci', 95), 
             markers=True, ax=ax)
ax.set_xlabel('时间（小时）')
ax.set_ylabel('测量值（AU）')
sns.despine()

任务2：创建多面板图表

完整代码见references/matplotlib_examples.md示例2。

关键步骤：

  1. 使用GridSpec进行灵活布局
  2. 确保所有面板样式一致
  3. 添加粗体面板标签（A、B、C等）
  4. 对齐相关面板
  5. 验证所有文本在最终尺寸下可读

任务3：使用适当色图创建热图

完整代码见references/matplotlib_examples.md示例4。

关键步骤：

  1. 使用感知均匀的色图（viridis、plasma、cividis）
  2. 包含带标签的颜色条
  3. 对于发散数据，使用色盲安全的发散色图（RdBu_r、PuOr）
  4. 为发散色图设置适当的中心值
  5. 在灰度中测试外观

使用seaborn进行相关性矩阵：

import seaborn as sns
fig, ax = plt.subplots(figsize=(5, 4))
corr = df.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))
sns.heatmap(corr, mask=mask, annot=True, fmt='.2f',
            cmap='RdBu_r', center=0, square=True,
            linewidths=1, cbar_kws={'shrink': 0.8}, ax=ax)

任务4：为特定期刊准备图表

工作流：

  1. 检查期刊要求：references/journal_requirements.md
  2. 为期刊配置matplotlib：
    from style_presets import configure_for_journal
configure_for_journal('nature', figure_width='single')
  3. 创建图表（将自动调整尺寸）
  4. 以期刊规范导出：
    from figure_export import save_for_journal
save_for_journal(fig, 'figure1', journal='nature', figure_type='line_art')

任务5：修复现有图表以满足出版标准

清单方法（完整清单见references/publication_guidelines.md）：

  1. 检查分辨率：验证DPI是否符合期刊要求
  2. 检查文件格式：图表使用矢量，图像使用TIFF/PNG
  3. 检查颜色：确保色盲友好
  4. 检查字体：最终尺寸下最小6-7 pt，无衬线
  5. 检查标签：所有轴都用单位标注
  6. 检查尺寸：匹配期刊列宽
  7. 测试灰度：图表在无颜色时可解释
  8. 移除图表垃圾：无不必要的网格、3D效果、阴影

任务6：创建色盲友好的可视化

策略：

  1. 使用assets/color_palettes.py中的批准调色板
  2. 添加冗余编码（线型、标记、图案）
  3. 使用色盲模拟器测试
  4. 确保灰度兼容性

示例：

from color_palettes import apply_palette
import matplotlib.pyplot as plt

apply_palette('okabe_ito')

# 除了颜色外添加冗余编码
line_styles = ['-', '--', '-.', ':']
markers = ['o', 's', '^', 'v']

for i, (data, label) in enumerate(datasets):
    plt.plot(x, data, linestyle=line_styles[i % 4],
             marker=markers[i % 4], label=label)

统计严谨性

始终包括：

  • 误差棒（SD、SEM或CI - 在标题中指定）
  • 样本量（n）在图表或标题中
  • 统计显著性标记（、、）
  • 尽可能包含单个数据点（不仅是汇总统计）

含统计的示例：

# 显示单个点与汇总统计
ax.scatter(x_jittered, individual_points, alpha=0.4, s=8)
ax.errorbar(x, means, yerr=sems, fmt='o', capsize=3)

# 标记显著性
ax.text(1.5, max_y * 1.1, '***', ha='center', fontsize=8)

使用不同绘图库

Matplotlib

  • 对出版物细节控制最多
  • 最适合复杂的多面板图表
  • 使用提供的样式文件进行一致格式化
  • 详细示例见references/matplotlib_examples.md

Seaborn

Seaborn提供了基于数据集的高级统计图形界面，建立在matplotlib之上。它擅长用最少代码创建出版物质量的统计可视化，同时保持与matplotlib自定义的完全兼容性。

科学可视化的关键优势：

  • 自动统计估计和置信区间
  • 内置多面板图表支持（分面）
  • 默认色盲友好调色板
  • 使用pandas DataFrames的数据集导向API
  • 变量到视觉属性的语义映射

出版物样式快速入门

始终先应用matplotlib出版物样式，然后配置seaborn：

import seaborn as sns
import matplotlib.pyplot as plt
from style_presets import apply_publication_style

# 应用出版物样式
apply_publication_style('default')

# 为出版物配置seaborn
sns.set_theme(style='ticks', context='paper', font_scale=1.1)
sns.set_palette('colorblind')  # 使用色盲安全调色板

# 创建图表
fig, ax = plt.subplots(figsize=(3.5, 2.5))
sns.scatterplot(data=df, x='time', y='response', 
                hue='treatment', style='condition', ax=ax)
sns.despine()  # 移除顶部和右侧边框

出版物常见图表类型

统计比较：

# 箱线图带单个点以提高透明度
fig, ax = plt.subplots(figsize=(3.5, 3))
sns.boxplot(data=df, x='treatment', y='response', 
            order=['Control', 'Low', 'High'], palette='Set2', ax=ax)
sns.stripplot(data=df, x='treatment', y='response',
              order=['Control', 'Low', 'High'], 
              color='black', alpha=0.3, size=3, ax=ax)
ax.set_ylabel('响应（μM）')
sns.despine()

分布分析：

# 小提琴图带分割比较
fig, ax = plt.subplots(figsize=(4, 3))
sns.violinplot(data=df, x='timepoint', y='expression',
               hue='treatment', split=True, inner='quartile', ax=ax)
ax.set_ylabel('基因表达（AU）')
sns.despine()

相关性矩阵：

# 热图带适当色图和注释
fig, ax = plt.subplots(figsize=(5, 4))
corr = df.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))  # 仅显示下三角
sns.heatmap(corr, mask=mask, annot=True, fmt='.2f',
            cmap='RdBu_r', center=0, square=True,
            linewidths=1, cbar_kws={'shrink': 0.8}, ax=ax)
plt.tight_layout()

时间序列带置信带：

# 线图带自动CI计算
fig, ax = plt.subplots(figsize=(5, 3))
sns.lineplot(data=timeseries, x='time', y='measurement',
             hue='treatment', style='replicate',
             errorbar=('ci', 95), markers=True, dashes=False, ax=ax)
ax.set_xlabel('时间（小时）')
ax.set_ylabel('测量值（AU）')
sns.despine()

使用Seaborn的多面板图表

使用FacetGrid自动分面：

# 创建分面图表
g = sns.relplot(data=df, x='dose', y='response',
                hue='treatment', col='cell_line', row='timepoint',
                kind='line', height=2.5, aspect=1.2,
                errorbar=('ci', 95), markers=True)
g.set_axis_labels('剂量（μM）', '响应（AU）')
g.set_titles('{row_name} | {col_name}')
sns.despine()

# 以正确DPI保存
from figure_export import save_publication_figure
save_publication_figure(g.figure, 'figure_facets', 
                       formats=['pdf', 'png'], dpi=300)

结合seaborn与matplotlib子图：

# 创建自定义多面板布局
fig, axes = plt.subplots(2, 2, figsize=(7, 6))

# 面板A：散点图带回归
sns.regplot(data=df, x='predictor', y='response', ax=axes[0, 0])
axes[0, 0].text(-0.15, 1.05, 'A', transform=axes[0, 0].transAxes,
                fontsize=10, fontweight='bold')

# 面板B：分布比较
sns.violinplot(data=df, x='group', y='value', ax=axes[0, 1])
axes[0, 1].text(-0.15, 1.05, 'B', transform=axes[0, 1].transAxes,
                fontsize=10, fontweight='bold')

# 面板C：热图
sns.heatmap(correlation_data, cmap='viridis', ax=axes[1, 0])
axes[1, 0].text(-0.15, 1.05, 'C', transform=axes[1, 0].transAxes,
                fontsize=10, fontweight='bold')

# 面板D：时间序列
sns.lineplot(data=timeseries, x='time', y='signal', 
             hue='condition', ax=axes[1, 1])
axes[1, 1].text(-0.15, 1.05, 'D', transform=axes[1, 1].transAxes,
                fontsize=10, fontweight='bold')

plt.tight_layout()
sns.despine()

出版物颜色调色板

Seaborn包括几个色盲安全调色板：

# 使用内置色盲调色板（推荐）
sns.set_palette('colorblind')

# 或指定自定义色盲安全颜色（Okabe-Ito）
okabe_ito = ['#E69F00', '#56B4E9', '#009E73', '#F0E442',
             '#0072B2', '#D55E00', '#CC79A7', '#000000']
sns.set_palette(okabe_ito)

# 对于热图和连续数据
sns.heatmap(data, cmap='viridis')  # 感知均匀
sns.heatmap(corr, cmap='RdBu_r', center=0)  # 发散，居中

选择轴级与图级函数

轴级函数（如scatterplot、boxplot、heatmap）：

  • 构建自定义多面板布局时使用
  • 接受ax=参数进行精确定位
  • 更好地与matplotlib子图集成
  • 对图表组合更多控制
fig, ax = plt.subplots(figsize=(3.5, 2.5))
sns.scatterplot(data=df, x='x', y='y', hue='group', ax=ax)

图级函数（如relplot、catplot、displot）：

  • 按分类变量自动分面时使用
  • 创建具有一致样式的完整图表
  • 非常适合探索性分析
  • 使用height和aspect调整尺寸
g = sns.relplot(data=df, x='x', y='y', col='category', kind='scatter')

Seaborn统计严谨性

Seaborn自动计算并显示不确定性：

# 线图：默认显示均值±95% CI
sns.lineplot(data=df, x='time', y='value', hue='treatment',
             errorbar=('ci', 95))  # 可更改为'sd'、'se'等

# 条形图：显示均值带自举CI
sns.barplot(data=df, x='treatment', y='response',
            errorbar=('ci', 95), capsize=0.1)

# 始终在图表标题中指定误差类型：
# "误差棒代表95%置信区间"

出版物就绪Seaborn图表最佳实践

  1. 始终先设置出版物主题：

    sns.set_theme(style='ticks', context='paper', font_scale=1.1)

  2. 使用色盲安全调色板：

    sns.set_palette('colorblind')

  3. 移除不必要的元素：

    sns.despine()  # 移除顶部和右侧边框

  4. 适当控制图表尺寸：

    # 轴级：使用matplotlib figsize
fig, ax = plt.subplots(figsize=(3.5, 2.5))

# 图级：使用height和aspect
g = sns.relplot(..., height=3, aspect=1.2)

  5. 尽可能显示单个数据点：

    sns.boxplot(...)  # 汇总统计
sns.stripplot(..., alpha=0.3)  # 单个点

  6. 包含带单位的正确标签：

    ax.set_xlabel('时间（小时）')
ax.set_ylabel('表达（AU）')

  7. 以正确分辨率导出：

    from figure_export import save_publication_figure
save_publication_figure(fig, 'figure_name', 
                       formats=['pdf', 'png'], dpi=300)

高级Seaborn技术

探索性分析的成对关系：

# 所有关系的快速概览
g = sns.pairplot(data=df, hue='condition', 
                 vars=['gene1', 'gene2', 'gene3'],
                 corner=True, diag_kind='kde', height=2)

层次聚类热图：

# 聚类样本和特征
g = sns.clustermap(expression_data, method='ward', 
                   metric='euclidean', z_score=0,
                   cmap='RdBu_r', center=0, 
                   figsize=(10, 8), 
                   row_colors=condition_colors,
                   cbar_kws={'label': 'Z分数'})

带边缘的联合分布：

# 带上下文的二元分布
g = sns.jointplot(data=df, x='gene1', y='gene2',
                  hue='treatment', kind='scatter',
                  height=6, ratio=4, marginal_kws={'kde': True})

常见Seaborn问题与解决方案

问题：图例在图表区域外

g = sns.relplot(...)
g._legend.set_bbox_to_anchor((0.9, 0.5))

问题：标签重叠

plt.xticks(rotation=45, ha='right')
plt.tight_layout()

问题：文本在最终尺寸下太小

sns.set_context('paper', font_scale=1.2)  # 如需增加

额外资源

更多详细seaborn信息见：

  • scientific-packages/seaborn/SKILL.md - 综合seaborn文档
  • scientific-packages/seaborn/references/examples.md - 实用用例
  • scientific-packages/seaborn/references/function_reference.md - 完整API参考
  • scientific-packages/seaborn/references/objects_interface.md - 现代声明式API

Plotly

  • 探索的交互式图表
  • 导出静态图像供出版
  • 配置出版物质量：
fig.update_layout(
    font=dict(family='Arial, sans-serif', size=10),
    plot_bgcolor='white',
    # ... 见matplotlib_examples.md示例8
)
fig.write_image('figure.png', scale=3)  # scale=3给出~300 DPI

资源

参考目录

根据需要加载这些文件以获取详细信息：

  • publication_guidelines.md：综合最佳实践

    • 分辨率和文件格式要求
    • 排版指南
    • 布局和构图规则
    • 统计严谨性要求
    • 完整出版物清单

  • color_palettes.md：颜色使用指南

    • 色盲友好调色板规范含RGB值
    • 顺序和发散射图推荐
    • 可访问性测试程序
    • 领域特定调色板（基因组学、显微镜）

  • journal_requirements.md：期刊特定规范

    • 按出版商的技求要求
    • 文件格式和DPI规范
    • 图表尺寸要求
    • 快速参考表

  • matplotlib_examples.md：实用代码示例

    • 10个完整工作示例
    • 线图、条形图、热图、多面板图表
    • 期刊特定图表示例
    • 每个库的提示（matplotlib、seaborn、plotly）

脚本目录

使用这些助手脚本进行自动化：

  • figure_export.py：导出实用程序

    • save_publication_figure()：以正确DPI保存为多种格式
    • save_for_journal()：自动使用期刊特定要求
    • check_figure_size()：验证尺寸是否符合期刊规范
    • 直接运行：python scripts/figure_export.py查看示例

  • style_presets.py：预配置样式

    • apply_publication_style()：应用预设样式（默认、nature、science、cell）
    • set_color_palette()：快速切换调色板
    • configure_for_journal()：一键期刊配置
    • 直接运行：python scripts/style_presets.py查看示例

资产目录

在图表中使用这些文件：

  • color_palettes.py：可导入的颜色定义

    • 所有推荐调色板作为Python常量
    • apply_palette()助手函数
    • 可直接导入到笔记本/脚本中

  • Matplotlib样式文件：与plt.style.use()一起使用

    • publication.mplstyle：通用出版物质量
    • nature.mplstyle：Nature期刊规范
    • presentation.mplstyle：海报/幻灯片用更大字体

工作流摘要

创建出版物图表的推荐工作流：

  1. 计划：确定目标期刊、图表类型和内容
  2. 配置：应用适当的期刊样式
    from style_presets import configure_for_journal
configure_for_journal('nature', 'single')
  3. 创建：构建带正确标签、颜色、统计的图表
  4. 验证：检查尺寸、字体、颜色、可访问性
    from figure_export import check_figure_size
check_figure_size(fig, journal='nature')
  5. 导出：以所需格式保存
    from figure_export import save_for_journal
save_for_journal(fig, 'figure1', 'nature', 'combination')
  6. 审查：在最终尺寸下手稿上下文中查看

避免常见陷阱

  1. 字体太小：打印在最终尺寸下文本不可读
  2. JPEG格式：图表/绘图切勿使用JPEG（产生伪影）
  3. 红绿颜色：约8%男性无法区分
  4. 低分辨率：出版物中像素化图表
  5. 缺失单位：始终用单位标注轴
  6. 3D效果：扭曲感知，完全避免
  7. 图表垃圾：移除不必要的网格线、装饰
  8. 截断轴：条形图从零开始，除非科学上合理
  9. 样式不一致：同一手稿中不同图表字体/颜色不同
  10. 无误差棒：始终显示不确定性

最终清单

提交图表前验证：

  • [ ] 分辨率符合期刊要求（300+ DPI）
  • [ ] 文件格式正确（图表用矢量，图像用TIFF）
  • [ ] 图表尺寸匹配期刊规范
  • [ ] 所有文本在最终尺寸下可读（≥6 pt）
  • [ ] 颜色色盲友好
  • [ ] 图表在灰度中工作
  • [ ] 所有轴用单位标注
  • [ ] 存在误差棒，标题中有定义
  • [ ] 存在面板标签且一致
  • [ ] 无图表垃圾或3D效果
  • [ ] 所有图表字体一致
  • [ ] 统计显著性清晰标记
  • [ ] 图例清晰完整

使用此技能确保科学图表满足最高出版标准，同时对所有读者可访问。