出版级科学可视化

概述

科学可视化（Scientific Visualization）将数据转化为清晰、准确的图形用于出版。本技能涵盖：多面板布局（Multi-panel Layouts）、误差线（Error Bars）、显著性标记、色盲安全调色板（Colorblind-safe Palettes）、期刊格式化要求。协调 Matplotlib、Seaborn 和 Plotly 以满足出版样式需求。

适用场景

• 为科学手稿创建图表
• 准备期刊投稿图形（Nature、Science、Cell、PLOS 等）
• 确保图形色盲友好且可访问
• 创建风格一致的多面板图形
• 按正确的分辨率和格式导出图形
• 遵循特定出版指南

快速开始

基础出版级图形

import matplotlib.pyplot as plt
import numpy as np

# 创建适当尺寸的图形（单栏 = 3.5 英寸）
fig, ax = plt.subplots(figsize=(3.5, 2.5))

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

# 带单位的标签
ax.set_xlabel('Time (seconds)')
ax.set_ylabel('Amplitude (mV)')
ax.legend(frameon=False)

# 移除多余边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# 保存为出版格式
plt.savefig('figure1.pdf', bbox_inches='tight')
plt.savefig('figure1.png', dpi=300, bbox_inches='tight')

使用预配置样式

import matplotlib.pyplot as plt

# 使用期刊样式文件
plt.style.use('nature.mplstyle')

# 创建图形 — 自动匹配 Nature 规格
fig, ax = plt.subplots()
# ... 你的绘图代码 ...

与 Seaborn 结合

import seaborn as sns
import matplotlib.pyplot as plt

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

# 创建统计比较图
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('Response (μM)')
sns.despine()

核心原则与最佳实践

1. 分辨率与文件格式

重要：科学数据图表永远不要使用 JPEG 格式（会产生压缩伪影）

2. 色盲安全的颜色选择

推荐：Okabe-Ito 调色板（可被所有类型的色盲辨识）：

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

热力图/连续数据：

• 使用感知均匀色彩映射：viridis、plasma、cividis
• 避免红绿发散映射（使用 PuOr、RdBu、BrBG 替代）
• 永远不要使用 jet 或 rainbow

始终在灰度模式下测试图形，确保可解读性

3. 排版与文字

字体指南：

• 无衬线字体（Sans-serif）：Arial、Helvetica、Calibri
• 最终印刷尺寸下的最小字号：
  • 坐标轴标签（Axis Labels）：7-9 pt
  • 刻度标签（Tick Labels）：6-8 pt
  • 面板标签（Panel Labels）：8-12 pt（加粗）
• 使用句式大写："Time (hours)" 而非 "TIME (HOURS)"
• 始终在括号中包含单位

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. 期刊尺寸要求

Nature 特别要求：

• 面板标签：a、b、c（小写、加粗），位于左上角
• 显微镜图像需要比例尺
• 统计：标记显著性，在图例中定义符号

Science 特别要求：

• 面板标签：(A)、(B)、(C) 带括号
• 图中文本最少（细节放在图注中）
• 误差线必须标注，在图注中定义

Cell 特别要求：

• 面板标签：A、B、C（大写、加粗）
• 字体 6-8 pt（最终尺寸）

5. 多面板图形

最佳实践：

• 用加粗字母标注面板：A、B、C（大多数期刊用大写，Nature 用小写）
• 保持所有面板风格一致
• 尽量沿边对齐面板
• 面板间留足空白

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])
ax3 = fig.add_subplot(gs[1, 0])
ax4 = fig.add_subplot(gs[1, 1])

# 添加面板标签
for i, ax in enumerate([ax1, ax2, ax3, ax4]):
    ax.text(-0.15, 1.05, ascii_uppercase[i], transform=ax.transAxes,
            fontsize=10, fontweight='bold', va='top')

使用 Seaborn 创建多面板

FacetGrid 自动分面：

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('Dose (μM)', 'Response (AU)')
g.set_titles('{row_name} | {col_name}')
sns.despine()

Seaborn + Matplotlib 子图：

fig, axes = plt.subplots(2, 2, figsize=(7, 6))

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')

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')

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')

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()

统计严谨性

始终包含：

• 误差线（Error Bars）— SD、SEM 或 CI，在图注中说明使用了哪种
• 样本量 (n) — 在图形或图注中标注
• 统计显著性标记 — *、**、***
• 尽可能显示单个数据点（不仅是汇总统计量）

# 显示单个数据点 + 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)

Seaborn 自动计算不确定性：

# 折线图：默认显示均值 ± 95% 置信区间
sns.lineplot(data=df, x='time', y='value', hue='treatment',
             errorbar=('ci', 95))

# 柱状图：显示自举置信区间
sns.barplot(data=df, x='treatment', y='response',
            errorbar=('ci', 95), capsize=0.1)

使用 Plotly 的出版级导出

fig.update_layout(
    font=dict(family='Arial, sans-serif', size=10),
    plot_bgcolor='white',
)
fig.write_image('figure.png', scale=3)  # scale=3 约等于 300 DPI

工作流总结

1. 规划 — 确定目标期刊、图形类型和内容
2. 配置 — 应用对应期刊的样式
3. 创建 — 构建图形，包含正确的标签、颜色、统计信息
4. 验证 — 检查尺寸、字体、颜色、可访问性
5. 导出 — 保存为要求的格式
6. 审查 — 在手稿上下文中查看最终尺寸效果

投稿前检查清单

• 分辨率满足期刊要求（300+ DPI）
• 文件格式正确（图表用矢量格式，图像用 TIFF）
• 图形尺寸符合期刊规格
• 所有文字在最终尺寸下可读（6 pt 以上）
• 颜色色盲友好
• 灰度模式下图形可解读
• 所有坐标轴标注单位
• 误差线存在，且在图注中定义
• 面板标签存在且一致
• 无图表垃圾（Chart Junk）或 3D 效果
• 字体在所有图形中一致
• 统计显著性清晰标记
• 图例清晰完整

常见陷阱