Imported from lewisoepwqi/scientific_nini (.nini/skills/publication_figure/SKILL.md). Install upstream with npx skills add lewisoepwqi/scientific_nini --skill publication_figure. Copyright stays with the author.

顶级期刊图表制作技能 (Publication-Quality Figure Skill)

概述

本技能指导大模型生成符合顶级学术期刊（Nature、Science、Cell、The Lancet、NEJM、PNAS、IEEE 等）发表标准的科研图表。

当用户要求绑制任何科研图表时，必须遵循本文档中的规范。

执行总纲（模型优先阅读）

本文档分为两部分：

• 前半部分（执行总纲 + 执行流程）：作战地图，触发时优先阅读，明确"先做什么、再做什么"
• 后半部分（参考手册）：详细规范、代码示例、配色参数，按需查阅

触发条件

• 用户要求绑制或生成科研数据图表
• 用户要求将数据可视化为论文发表级别的图形
• 用户提到 "论文图"、"发表级图表"、"期刊图表"、"Nature图"、"Science图"、"投稿用图" 等关键词
• 用户要求导出高分辨率或矢量格式图表

执行流程速查

Step 1: 需求确认（确认期刊/图表类型/数据/输出格式）
    ↓ [CP1] 向用户确认需求
Step 2: 数据预处理（清洗/统计量计算）
Step 3: 应用期刊规范（尺寸/DPI/字体/配色/线条）
    ↓ [CP2] 向用户确认规范方案
Step 4: 生成图表代码（matplotlib/seaborn + 统计标注 + 多格式保存）
    ↓ [CP3] 展示关键参数，确认后执行
Step 5: 自检与交付（清单检查 + 图注 + 交付文件）
    ↓ [CP4] 展示预览，确认或迭代

工具映射速查

使用原则：优先使用上表推荐的专用工具；若工具不可用，按技能文档中的代码示例和函数模板手动实现。

检查点 fallback 速查

异常处理速查

图表类型选择指南

根据数据特征快速定位图表类型：

自检速查（交付前必查）

• 分辨率：位图 ≥300 DPI，线条图 ≥600 DPI
• 格式：矢量(PDF/EPS/SVG) + 位图(TIFF/PNG) 同时提供
• 尺寸：符合目标期刊单栏/双栏要求
• 字体：Arial/Helvetica，最小 6pt
• 边框：去除上/右边框，纯白背景
• 配色：色盲友好，不仅靠颜色区分
• 统计：误差线类型注明（SD/SEM/CI），p值格式正确
• 样本量：图注中标注 n 数
• 图注：含标题、面板说明、统计方法、缩写解释

适用场景

• 用户要求绑制或生成科研数据图表
• 用户要求将数据可视化为论文发表级别的图形
• 用户提到 "论文图"、"发表级图表"、"期刊图表" 等关键词
• 用户要求导出高分辨率或矢量格式图表

执行流程

快速决策入口

根据用户输入的完整度，选择切入步骤：

当触发本技能时，按以下步骤执行：

Step 1: 需求确认（输入 → 决策）

输入: 用户的图表请求 + 数据（如有）
输出: 明确的图表类型、目标期刊、数据状态
推荐工具: ask_user_question

1. 确认目标期刊：询问用户投稿期刊（如用户未指定，默认按最通用规范执行）
2. 确认图表类型：根据数据特征确定图表类型（柱状图/折线图/散点图/热图/生存曲线/火山图/多面板组合图）
3. 确认数据完整性：
   • 数据格式（CSV/Excel/直接提供/需模拟）
   • 样本量、分组信息、统计检验需求
   • 如用户未提供数据，询问是否使用模拟数据演示，或等待用户提供
4. 确认输出格式：矢量格式（PDF/EPS/SVG）+ 位图格式（TIFF/PNG）

[检查点 CP1] 在继续前，向用户确认需求。使用以下模板提问：

请确认以下信息是否正确：
- 投稿期刊：[期刊名，如 Nature/Science/Cell，未指定则写"通用规范"]
- 图表类型：[柱状图/折线图/散点图/热图/生存曲线/火山图/多面板组合图]
- 数据来源：[用户已提供 / 使用模拟数据演示 / 等待用户提供]
- 输出格式：[PDF + PNG / 其他]

如有调整请告诉我，确认后我将继续生成。

如用户未明确期刊或图表类型，给出推荐方案并征得同意。

Step 2: 数据预处理

输入: 原始数据
输出: 清洗后的数据 + 统计量
推荐工具: dataset_catalog（数据检查）、stat_test / stat_model / stat_interpret（统计计算）

2.1 数据清洗与质量检查

1. 缺失值检测：计算每列/每组缺失比例

   • 20%：警告用户，建议插补或剔除（见异常处理表）

   • ≤ 20%：记录处理方法，在图注中声明
2. 异常值检测：使用 IQR 法（1.5×IQR 规则）或 Z-score（|z| > 3）标记极端值
   • 不擅自删除异常值，仅在图注中声明检测方法
3. 数据类型确认：确保数值型变量未误录入为字符串，分组变量为类别型

2.2 统计量计算（按图表类型选择）

注意：计算完成后，将统计结果汇总为表格，供 Step 4 代码直接调用。

2.3 数据适配性验证

1. 样本量检查：
   • n < 3 per group：不适合误差线和统计检验 → 建议改用个体数据点图（dot plot），并在图注标注样本量
   • n < 30：优先使用非参数检验
2. 分组数检查：

   • 24 组：触发颜色不足边界，使用 HSV 动态扩展或图案填充（见异常处理表）

3. 数据-图表匹配检查：
   • 分类数据误要求折线图 → 返回 Step 1 推荐柱状图
   • 时间序列误要求柱状图 → 返回 Step 1 推荐折线图
   • 单变量分布误要求散点图 → 返回 Step 1 推荐箱线图/小提琴图

Step 3: 应用期刊规范

输入: 图表类型 + 目标期刊
输出: 规范参数清单
推荐工具: 无（纯规范决策步骤，依赖本技能文档内的参数表）

1. 尺寸：按目标期刊选择单栏/双栏宽度（见 1.2 节）
2. 分辨率：位图 ≥300 DPI，线条图 ≥600 DPI（见 1.1 节）
3. 字体：Arial/Helvetica，字号 7-9 pt（见 1.3 节）
4. 配色：使用色盲友好配色（见 第三章 及 7.4 节）
5. 线条与标记：按 1.5 节设置线宽、标记大小
6. 去除冗余元素：按 2.1 节数据墨水比原则清理

[检查点 CP2] 在生成代码前，向用户确认规范方案。使用以下模板提问：

我将使用以下规范生成图表，请确认：
- 图片尺寸：[单栏 89mm / 双栏 183mm / 其他]
- 配色方案：[Okabe-Ito / Paul Tol Bright / 其他，说明选择理由]
- 字体：Arial，最小 7pt
- 背景：纯白，无边框阴影

如无异议，我将继续编写绘图代码。

如用户要求与规范冲突（如 3D 效果、渐变填充、红绿对比），礼貌拒绝并说明原因，提供替代方案。

Step 4: 生成图表代码

输入: 规范参数清单 + 清洗后数据
输出: 可执行的 Python/Matplotlib/Seaborn 代码
推荐工具: code_session / chart_session（代码生成与执行）、export_chart（多格式导出）

4.0 图表类型 → 代码模板索引

操作：按上表定位图表类型，复制对应章节的代码框架，替换数据和参数。

4.1 代码编写步骤

1. 导入必要库（matplotlib, seaborn, numpy, scipy 等）
2. 设置全局主题：调用 set_publication_theme()（见 7.5 节）或更新 rcParams（见 7.1 节）
3. 绘制主图：按 4.0 索引定位到对应章节，复制代码框架，替换数据
   • 必须应用半透明叠加原则（2.5 节）：汇总元素 alpha=0.4-0.6，个体点 alpha=0.7-0.9
   • 必须使用色盲友好配色（第三章）
4. 添加统计标注：误差线、显著性标记、样本量（见 第六章）
5. 保存多格式：调用 save_publication_figure()（见 7.3 节），同时输出 PDF + PNG

[检查点 CP3] 代码编写完成后、执行前，向用户展示关键参数摘要。使用以下模板提问：

代码已准备就绪，关键参数如下：
- 图片尺寸：[宽度 x 高度] inch
- DPI：[数值]
- 配色：[方案名]
- 字体：Arial [字号]pt
- 统计方法：[t-test/ANOVA/log-rank/等]

确认无误后我将执行绘图。如需调整请告诉我。

确认无误后再运行代码生成图表。

Step 5: 自检与交付

输入: 生成的图表文件 + 代码
输出: 最终交付物 + 图注
推荐工具: workspace_session（文件管理与交付）

1. 按 第八章 自检清单逐项检查

2. 撰写图注（Figure Legend，见 第五章）

3. 向用户展示图表，确认是否需调整

   [检查点 CP4] 展示图表预览后，使用以下模板询问用户：

   图表已生成，请确认：
   - 整体布局是否符合您的预期？
   - 配色是否满意？
   - 标签和统计标注是否正确？
   
   如需调整，请告诉我具体修改项（如：配色、标签文字、统计方法、尺寸、布局等），我将返回修改。
   

   如用户提出修改，明确修改项后返回 Step 3 或 Step 4 迭代。

4. 交付最终文件（矢量 + 位图 + 图注文本）

异常处理与边界条件

执行过程中遇到以下情况时，按对应策略处理：

一、硬性技术规范（MUST 遵守）

1.1 分辨率与输出格式

各期刊具体要求

通用安全值（MUST）

• 位图分辨率：至少 300 DPI（照片/彩色图），线条图 600 DPI 或更高
• 推荐矢量格式：PDF > EPS > SVG（矢量格式可无限缩放不失真）
• 最终提交：同时提供 矢量版 和 高分辨率位图版（TIFF/PNG）
• 禁止：低分辨率 JPG、Word/PowerPoint 嵌入图、上采样（upsampling）图像

1.2 图片尺寸标准

期刊标准尺寸

通用安全值（单位同时提供 mm 和 inch）

# 期刊标准图片宽度（inch）
FIG_WIDTH_SINGLE = 3.54      # 单栏 ≈ 89 mm
FIG_WIDTH_ONE_HALF = 5.51    # 1.5 栏 ≈ 140 mm  
FIG_WIDTH_DOUBLE = 7.48      # 双栏 ≈ 190 mm

# 推荐高宽比
ASPECT_RATIOS = {
    'golden': 0.618,         # 黄金比例
    'standard': 0.75,        # 4:3 标准比例
    'wide': 0.5625,          # 16:9 宽屏
}

重要：

• 避免小于单栏宽度，极端放大可能导致失真 (IEEE)
• 减少尺寸会提高有效分辨率，增大尺寸会降低分辨率
• 按最终出版尺寸准备图形，不要准备全页大小

1.3 字体规范

通用安全值

字体规则

• MUST：使用无衬线字体（sans-serif），避免衬线字体
• MUST：单图内字号变化不宜过大
• MUST：避免直接在阴影/纹理区域上叠加文字
• MUST：避免使用反色文字（白色字在彩色背景）
• RECOMMENDED：文字放在图注而非图中

1.4 颜色规范

颜色模式

• 屏幕显示：使用 RGB 模式
• 印刷出版：使用 CMYK 模式（但多数期刊接受 RGB，由出版社转换）

色盲友好硬性要求（MUST）

Nature Methods 等期刊明确要求图表必须对色盲读者友好

• 禁止仅依靠颜色区分数据组，必须同时使用形状、线型、纹理
• 禁止红绿直接对比（最常见色盲类型）
• 推荐使用 ColorBrewer、Paul Tol、Okabe-Ito 等色盲友好配色

1.5 线条与标记规范

通用安全值

边框规则

• RECOMMENDED：去除上边框和右边框（仅保留左/下轴线）
• MUST：避免使用 3D 效果、阴影、渐变填充
• MUST：背景保持纯白色

二、设计原则（RECOMMENDED 遵守）

2.1 数据墨水比原则（Data-Ink Ratio）

源自 Edward Tufte 的经典原则：最大化数据墨水比

去除冗余"墨水"元素：

• 去除背景网格，或使用极浅灰色网格（#EEEEEE）
• 去除多余边框（只保留左边框和下边框）
• 去除 3D 效果、阴影、渐变
• 去除重复图例（如果可直接标注）
• 避免装饰性元素

2.2 简洁性原则

应该做的：

• 合并相似信息
• 使用简洁的标签
• 优先使用小倍数（small multiples）而非复杂图
• 每个面板传达一个明确信息

不应该做的：

• 一个图中包含过多数据线（折线图不超过 5-6 条）
• 使用不必要的颜色
• 添加与数据无关的装饰

2.3 可读性原则

关键检验：将图表缩放到期刊实际印刷尺寸后，所有元素仍应清晰可读

具体要求：

• 缩小到印刷尺寸后，文字 ≥5-7 pt
• 数据点和标记清晰可见
• 图例不遮挡数据
• 坐标轴标签完整（含单位）

2.4 无障碍设计（Accessibility）

• 色盲友好：约 8% 男性、0.5% 女性有色觉缺陷
• 灰度打印友好：确保黑白打印时仍可区分
• 高对比度：确保文字与背景对比度 ≥4.5:1

2.5 原始数据透明展示原则（Data Transparency）

借鉴自 root-analysis 技能的可视化设计：在展示汇总统计（均值/中位数）的同时，必须让原始数据点可见，避免"柱状图陷阱"。

半透明叠加规范：

实施要点：

• 柱状图：使用 alpha=0.5 的柱形 + alpha=0.8 的 jittered 散点
• 箱线图/小提琴图：箱体 alpha=0.3-0.5 + 原始数据点 alpha=0.6-0.8
• 散点图：重叠密集区域使用 alpha=0.3-0.6
• 配色一致性：散点颜色与汇总统计元素使用同一色系，通过透明度区分层次

必须避免：

• 仅用纯色柱形遮挡全部原始数据
• alpha 过低（<0.3）导致个体点无法辨认
• 使用白色填充散点（edgecolor='black'），这在打印时可能丢失

三、配色方案

3.1 定性配色（Qualitative）- 用于分类数据

推荐配色 1：Okabe-Ito（色盲友好）

COLORS_OKABE_ITO = [
    '#E69F00',  # 橙
    '#56B4E9',  # 天蓝
    '#009E73',  # 绿
    '#F0E442',  # 黄
    '#0072B2',  # 蓝
    '#D55E00',  # 红
    '#CC79A7',  # 粉
    '#999999',  # 灰
]

推荐配色 2：Paul Tol Bright

COLORS_TOL_BRIGHT = [
    '#4477AA',  # 蓝
    '#EE6677',  # 红/粉
    '#228833',  # 绿
    '#CCBB44',  # 黄
    '#66CCEE',  # 青
    '#AA3377',  # 紫
    '#BBBBBB',  # 灰
]

推荐配色 3：ColorBrewer Set2

COLORS_SET2 = [
    '#66C2A5',  # 青绿
    '#FC8D62',  # 橙
    '#8DA0CB',  # 蓝
    '#E78AC3',  # 粉
    '#A6D854',  # 绿
    '#FFD92F',  # 黄
    '#E5C494',  # 棕
    '#B3B3B3',  # 灰
]

3.2 定量连续配色（Sequential）- 用于连续数值

Matplotlib 使用：

plt.imshow(data, cmap='viridis')

3.3 发散型配色（Diverging）- 用于有中心值的数据

3.4 生物医学专用配色

火山图配色

COLOR_VOLCANO = {
    'up': '#D73027',      # 上调 - 红
    'down': '#4575B4',    # 下调 - 蓝
    'ns': '#CCCCCC',      # 不显著 - 灰
}

生存曲线配色

COLOR_SURVIVAL = [
    '#1F77B4',  # 蓝
    '#FF7F0E',  # 橙
    '#2CA02C',  # 绿
    '#D62728',  # 红
    '#9467BD',  # 紫
]

3.5 高区分度配色（High-Contrast）

适用于样本数较多（>8 组）的分类数据，确保视觉上可区分。源自 root-analysis 技能的配色实践。

COLORS_HIGH_CONTRAST = [
    '#E31A1C', '#1F78B4', '#33A02C', '#6A3D9A',
    '#FF7F00', '#DEDE8B', '#A65628', '#F781BF',
    '#00CED1', '#006400', '#4B0082', '#FF4500',
    '#DC143C', '#4169E1', '#228B22', '#8A2BE2',
    '#FF8C00', '#FFD700', '#8B4513', '#FF1493',
    '#0080FF', '#32CD32', '#9400D3', '#FF6347',
]

使用建议：

• 前 8 色已针对色盲优化（红/蓝/绿/紫/橙/黄/棕/粉）
• 对照组/基线组固定使用灰色 #808080（第 1 位后的补充色）
• 样本数 >24 时，使用 HSV 颜色空间动态生成额外颜色

3.6 单色渐变方案（Monotone Gradient）

适用于有序分类或剂量梯度数据。源自 root-analysis 技能的连续色彩映射。

蓝色渐变（Blue Gradient）

COLORS_BLUE_GRADIENT = [
    '#DEEBF7', '#C6DBEF', '#9ECAE1', '#6BAED6',
    '#4292C6', '#2171B5', '#08519C', '#08306B',
    '#1E3A8A', '#1E40AF', '#2563EB', '#3B82F6',
    '#60A5FA', '#93C5FD', '#BFDBFE', '#DBEAFE',
]

绿色渐变（Green Gradient）

COLORS_GREEN_GRADIENT = [
    '#EDF8E9', '#C7E9C0', '#A1D99B', '#74C476',
    '#41AB5D', '#238B45', '#006D2C', '#00441B',
    '#064E3B', '#065F46', '#047857', '#059669',
    '#10B981', '#34D399', '#6EE7B7', '#A7F3D0',
]

使用建议：

• 蓝色渐变：适合对照组→处理组的剂量响应（颜色越深 = 剂量越高）
• 绿色渐变：适合生长/阳性指标（颜色越深 = 效应越强）
• 与定性配色混用时，渐变组仅用于有序维度，定性色用于分组维度

3.7 配色禁忌

为什么避免彩虹色图（jet/rainbow）

1. 感知非线性：jet colormap 在绿色/青色区域的感知变化不均匀
2. 色盲不友好：红绿交界对色盲用户无法区分
3. 误导性：亮色可能被误读为"更重要"

为什么避免红绿直接对比

• 红绿色盲（deuteranopia/protanopia）影响约 8% 男性
• 在灰度打印时可能无法区分
• 替代方案：蓝-橙、紫-黄对比

四、各类图表专项规范

4.1 柱状图 / 条形图（Bar Chart）

MUST 遵守

1. 误差线：必须包含误差线，并明确标注类型（SD/SEM/95%CI）
2. 基线：Y轴必须从 0 开始（截断Y轴会误导读者）
3. 标签：每个柱子必须有清晰的类别标签

RECOMMENDED

1. 叠加原始数据点：使用 strip plot 或 swarm plot 叠加显示分布
2. 分组间距：组内柱子间距 < 组间间距
3. 方向：分类较多时使用水平条形图

示例代码

import matplotlib.pyplot as plt
import numpy as np

# 数据
categories = ['Control', 'Treatment A', 'Treatment B']
means = [10, 15, 12]
sem = [1.2, 1.5, 1.1]  # 标准误

# 配色：使用高区分度色板（对照组灰色，处理组彩色）
colors = ['#808080', '#4477AA', '#EE6677']

fig, ax = plt.subplots(figsize=(3.54, 2.65))  # 单栏尺寸

# 绘制柱状图 —— 半透明填充（alpha=0.5），让底层散点可见
x = np.arange(len(categories))
bars = ax.bar(x, means, width=0.6, color=colors, edgecolor='black',
              linewidth=0.8, alpha=0.5, zorder=2)

# 添加误差线
ax.errorbar(x, means, yerr=sem, fmt='none', color='black',
            capsize=3, capthick=1, zorder=3)

# 添加原始数据点 —— 同色、高透明度、水平 jitter
np.random.seed(42)
for i, (mean, se) in enumerate(zip(means, sem)):
    # 模拟原始数据（n=10）
    raw_data = np.random.normal(mean, se * np.sqrt(10), 10)
    # 水平 jitter：正态分布，标准差 0.04，与 root-analysis 一致
    jitter = np.random.normal(i, 0.04, size=len(raw_data))
    ax.scatter(jitter, raw_data,
               color=colors[i], edgecolor='black', linewidth=0.5,
               s=20, zorder=4, alpha=0.85)

# 设置标签
ax.set_xticks(x)
ax.set_xticklabels(categories, fontsize=8)
ax.set_ylabel('Value (units)', fontsize=8)
ax.set_xlabel('Group', fontsize=8)

# 设置Y轴从0开始
ax.set_ylim(0, max(means) * 1.4)

# 去除上右边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# 添加显著性标记示例
y_sig = max(means) * 1.2
ax.plot([0, 0, 1, 1], [y_sig, y_sig + 0.5, y_sig + 0.5, y_sig],
        'k-', linewidth=0.8)
ax.text(0.5, y_sig + 0.7, '*', ha='center', fontsize=10)

plt.tight_layout()
plt.savefig('bar_chart.pdf', dpi=300, bbox_inches='tight')

关键设计点：

1. alpha=0.5 的柱形填充，确保底层散点可透见
2. 散点使用与柱形同色（colors[i]），通过 alpha=0.85 区分层次
3. Jitter 采用 np.random.normal(i, 0.04)，避免过度分散
4. zorder 层级：柱形(2) < 误差线(3) < 散点(4)，确保散点在最上层

4.2 折线图 / 时间序列（Line Chart）

MUST 遵守

1. 线型区分：不同组使用不同线型（实线、虚线、点划线）+ 颜色
2. 标记点：数据点较少时使用不同形状标记
3. 坐标轴：时间轴必须按实际比例显示

RECOMMENDED

1. 置信区间：用阴影区域表示置信区间（alpha=0.2-0.3）
2. 线条数量：同一图不超过 5-6 条线
3. 图例位置：图例放在图外或空白区域，不遮挡数据

示例代码

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.linspace(0, 10, 50)
y1 = np.sin(x) + np.random.normal(0, 0.1, 50)
y2 = np.cos(x) + np.random.normal(0, 0.1, 50)

fig, ax = plt.subplots(figsize=(3.54, 2.65))

# 使用不同线型和颜色
ax.plot(x, y1, 'o-', color='#4477AA', linewidth=1.2, markersize=3, 
        markerfacecolor='white', markeredgewidth=0.8, label='Group A')
ax.plot(x, y2, 's--', color='#EE6677', linewidth=1.2, markersize=3,
        markerfacecolor='white', markeredgewidth=0.8, label='Group B')

# 添加置信区间（示例）
confidence1 = 0.2
confidence2 = 0.15
ax.fill_between(x, y1 - confidence1, y1 + confidence1, 
                alpha=0.2, color='#4477AA')
ax.fill_between(x, y2 - confidence2, y2 + confidence2,
                alpha=0.2, color='#EE6677')

ax.set_xlabel('Time (days)', fontsize=8)
ax.set_ylabel('Response', fontsize=8)
ax.legend(loc='upper right', frameon=False, fontsize=7)

ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('line_chart.pdf', dpi=300, bbox_inches='tight')

4.3 散点图（Scatter Plot）

MUST 遵守

1. 透明度：点重叠时使用 alpha（0.3-0.6）
2. 点大小：根据数据密度调整点大小
3. 坐标轴标签：包含变量名和单位

RECOMMENDED

1. 回归线：添加线性回归线和 R² 值
2. 边际分布：添加边际直方图或密度图
3. 密度估计：高密度数据使用 hexbin 或 2D 密度图

示例代码

import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

# 生成数据
np.random.seed(42)
x = np.random.normal(50, 15, 200)
y = 0.8 * x + np.random.normal(0, 10, 200)

fig, ax = plt.subplots(figsize=(3.54, 3.54))

# 散点图（带透明度）
ax.scatter(x, y, alpha=0.5, s=20, color='#4477AA', edgecolor='none')

# 线性回归
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
line_x = np.array([x.min(), x.max()])
line_y = slope * line_x + intercept
ax.plot(line_x, line_y, 'r--', linewidth=1.5, label='Linear fit')

# 添加 R² 和 p 值
ax.text(0.05, 0.95, f'R² = {r_value**2:.3f}\np < 0.001',
        transform=ax.transAxes, fontsize=8, verticalalignment='top',
        bbox=dict(boxstyle='round', facecolor='white', alpha=0.8))

ax.set_xlabel('Variable X (units)', fontsize=8)
ax.set_ylabel('Variable Y (units)', fontsize=8)
ax.legend(loc='lower right', frameon=False, fontsize=7)

ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('scatter_plot.pdf', dpi=300, bbox_inches='tight')

4.4 箱线图 / 小提琴图（Box Plot / Violin Plot）

MUST 遵守

1. 分布展示：优先使用小提琴图展示数据分布
2. 统计要素：箱线图必须显示中位数和四分位数
3. 样本量：在图注中注明每组样本量

RECOMMENDED

1. 叠加原始点：使用 strip plot 或 swarm plot 显示原始数据点
2. 统计检验：添加组间统计检验标记
3. 缺口：箱线图使用缺口（notch）显示中位数置信区间

示例代码

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# 生成数据
np.random.seed(42)
data = {
    'Control': np.random.normal(100, 15, 50),
    'Treatment A': np.random.normal(120, 20, 50),
    'Treatment B': np.random.normal(110, 18, 50),
}

fig, ax = plt.subplots(figsize=(3.54, 3.0))

# 小提琴图
parts = ax.violinplot([data[k] for k in data.keys()], 
                       positions=range(len(data)), showmeans=False, showmedians=False)

# 设置小提琴颜色
colors = ['#4477AA', '#EE6677', '#228833']
for pc, color in zip(parts['bodies'], colors):
    pc.set_facecolor(color)
    pc.set_alpha(0.3)
    pc.set_edgecolor('black')

# 叠加箱线图
bp = ax.boxplot([data[k] for k in data.keys()], positions=range(len(data)),
                widths=0.15, patch_artist=True, showfliers=False,
                medianprops=dict(color='black', linewidth=1.5))

for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

# 叠加散点
for i, (key, values) in enumerate(data.items()):
    y = values
    x = np.random.normal(i, 0.04, size=len(y))
    ax.scatter(x, y, alpha=0.4, s=10, color='black')

ax.set_xticks(range(len(data)))
ax.set_xticklabels(data.keys(), fontsize=8)
ax.set_ylabel('Value (units)', fontsize=8)

ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('violin_plot.pdf', dpi=300, bbox_inches='tight')

4.5 热图（Heatmap）

MUST 遵守

1. 色标：必须包含 colorbar，标注数值范围
2. 聚类：基因表达数据必须进行行/列聚类
3. 标签可读性：行列标签过多时旋转或抽样显示

RECOMMENDED

1. 标准化：基因表达数据按行标准化（z-score）
2. 聚类树：显示聚类树（dendrogram）
3. 注释：关键区域添加注释

示例代码

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# 生成模拟基因表达数据
np.random.seed(42)
data = np.random.randn(20, 10)
row_labels = [f'Gene_{i}' for i in range(1, 21)]
col_labels = [f'Sample_{i}' for i in range(1, 11)]

fig, ax = plt.subplots(figsize=(5.51, 7.48))  # 1.5栏高度

# 热图
sns.heatmap(data, cmap='RdBu_r', center=0, 
            xticklabels=col_labels, yticklabels=row_labels,
            cbar_kws={'label': 'Z-score'}, 
            linewidths=0.5, linecolor='white',
            ax=ax)

# 旋转x轴标签
plt.xticks(rotation=45, ha='right', fontsize=7)
plt.yticks(fontsize=7)

plt.title('Gene Expression Heatmap', fontsize=9, pad=10)
plt.tight_layout()
plt.savefig('heatmap.pdf', dpi=300, bbox_inches='tight')

4.6 生存曲线 - Kaplan-Meier

MUST 遵守

1. 风险表：必须包含 "number at risk" 表
2. 置信区间：显示生存率的置信区间（阴影）
3. 删失标记：标注删失数据点
4. 统计信息：标注 p 值和 HR（风险比）

RECOMMENDED

1. 中位生存期：标注中位生存时间
2. 生存概率：标注特定时间点的生存概率

示例代码

import matplotlib.pyplot as plt
import numpy as np
from sksurv.nonparametric import kaplan_meier_estimator

# 模拟生存数据
time_high = np.array([10, 15, 20, 25, 30, 35, 40, 45, 50, 55])
event_high = np.array([1, 1, 0, 1, 1, 0, 1, 1, 0, 1])
time_low = np.array([5, 8, 12, 15, 20, 25, 30, 35, 40, 42])
event_low = np.array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(5.51, 5.0), 
                                gridspec_kw={'height_ratios': [4, 1]})

# 计算KM曲线
time_h, surv_h, conf_h = kaplan_meier_estimator(
    event_high.astype(bool), time_high, conf_type='log-log')
time_l, surv_l, conf_l = kaplan_meier_estimator(
    event_low.astype(bool), time_low, conf_type='log-log')

# 绘制生存曲线
ax1.step(time_h, surv_h, where='post', color='#D73027', linewidth=1.5, label='High risk')
ax1.fill_between(time_h, conf_h[0], conf_h[1], alpha=0.2, color='#D73027', step='post')

ax1.step(time_l, surv_l, where='post', color='#4575B4', linewidth=1.5, label='Low risk')
ax1.fill_between(time_l, conf_l[0], conf_l[1], alpha=0.2, color='#4575B4', step='post')

# 添加删失标记
censor_h = time_high[event_high == 0]
surv_censor_h = np.interp(censor_h, time_h, surv_h)
ax1.scatter(censor_h, surv_censor_h, marker='+', s=50, color='#D73027', zorder=5)

# 统计信息
ax1.text(0.95, 0.95, 'p < 0.001\nHR = 2.5 (95% CI: 1.5-4.2)', 
         transform=ax1.transAxes, ha='right', va='top', fontsize=8,
         bbox=dict(boxstyle='round', facecolor='white', alpha=0.8))

ax1.set_ylabel('Survival Probability', fontsize=8)
ax1.set_ylim(0, 1.05)
ax1.legend(loc='lower left', frameon=False, fontsize=7)
ax1.spines['top'].set_visible(False)
ax1.spines['right'].set_visible(False)

# 风险表
ax2.axis('off')
time_points = [0, 10, 20, 30, 40, 50]
ax2.text(0, 0.8, 'Number at risk', fontsize=8, fontweight='bold')
ax2.text(0, 0.4, 'High risk', fontsize=8, color='#D73027')
ax2.text(0, 0, 'Low risk', fontsize=8, color='#4575B4')

for i, t in enumerate(time_points):
    n_high = np.sum(time_high >= t)
    n_low = np.sum(time_low >= t)
    x_pos = 0.2 + i * 0.15
    ax2.text(x_pos, 0.4, str(n_high), fontsize=7, ha='center')
    ax2.text(x_pos, 0, str(n_low), fontsize=7, ha='center')
    ax2.text(x_pos, 0.8, str(t), fontsize=7, ha='center')

plt.tight_layout()
plt.savefig('survival_curve.pdf', dpi=300, bbox_inches='tight')

4.7 火山图（Volcano Plot）

MUST 遵守

1. 阈值线：显示 fold change 和 p-value 阈值线
2. 分类着色：上调/下调/不显著用不同颜色
3. 显著基因标注：标注关键基因名称

RECOMMENDED

1. 交互性：电子版图可交互查看基因名称
2. 密度：点密度高时使用透明度

示例代码

import matplotlib.pyplot as plt
import numpy as np

# 模拟差异表达数据
np.random.seed(42)
n_genes = 2000
log2fc = np.random.normal(0, 2, n_genes)
pval = np.random.uniform(0, 1, n_genes)
pval[log2fc > 2] *= 0.01
pval[log2fc < -2] *= 0.01

log10p = -np.log10(pval)

fig, ax = plt.subplots(figsize=(5.51, 5.0))

# 定义阈值
fc_thresh = 1  # |log2FC| > 1
p_thresh = 0.05  # p < 0.05

# 分类
colors = []
for fc, p in zip(log2fc, log10p):
    if abs(fc) > fc_thresh and p > -np.log10(p_thresh):
        colors.append('#D73027' if fc > 0 else '#4575B4')  # 上调/下调
    else:
        colors.append('#CCCCCC')  # 不显著

ax.scatter(log2fc, log10p, c=colors, s=10, alpha=0.6, edgecolors='none')

# 阈值线
ax.axhline(-np.log10(p_thresh), color='gray', linestyle='--', linewidth=0.8)
ax.axvline(-fc_thresh, color='gray', linestyle='--', linewidth=0.8)
ax.axvline(fc_thresh, color='gray', linestyle='--', linewidth=0.8)

# 标注显著基因（示例）
sig_genes_idx = np.where((np.abs(log2fc) > 2.5) & (log10p > 3))[0][:5]
for idx in sig_genes_idx:
    ax.annotate(f'Gene{idx}', (log2fc[idx], log10p[idx]),
                fontsize=7, ha='center')

ax.set_xlabel('Log2 Fold Change', fontsize=8)
ax.set_ylabel('-Log10 p-value', fontsize=8)

ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('volcano_plot.pdf', dpi=300, bbox_inches='tight')

4.8 多面板组合图（Multi-panel Figure）

MUST 遵守

1. 面板编号：使用小写字母 (a, b, c...) 或大写 (A, B, C...)
2. 编号位置：左上角或左下角，使用粗体
3. 对齐：各面板严格对齐，间距一致

RECOMMENDED

1. 共享轴标签：使用 fig.supxlabel/supylabel
2. 统一比例：相关面板使用相同坐标轴范围
3. 子图标注：标签使用 10-12 pt，粗体

示例代码

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(7.48, 5.0))  # 双栏宽度

# 创建子图布局
gs = fig.add_gridspec(2, 2, hspace=0.3, wspace=0.3)
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])

# 绘制示例数据
np.random.seed(42)
x = np.linspace(0, 10, 50)

# Panel a
ax1.plot(x, np.sin(x), color='#4477AA')
ax1.set_title('Experiment 1', fontsize=8)

# Panel b
ax2.plot(x, np.cos(x), color='#EE6677')
ax2.set_title('Experiment 2', fontsize=8)

# Panel c
ax3.bar(['A', 'B', 'C'], [10, 15, 12], color='#228833')

# Panel d
ax4.scatter(np.random.randn(50), np.random.randn(50), alpha=0.5, s=10)

# 添加面板标签
labels = ['a', 'b', 'c', 'd']
axes = [ax1, ax2, ax3, ax4]

for ax, label in zip(axes, labels):
    ax.text(-0.15, 1.05, label, transform=ax.transAxes, 
            fontsize=12, fontweight='bold', va='top')
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

# 共享轴标签
fig.supxlabel('Common X label', fontsize=9)
fig.supylabel('Common Y label', fontsize=9)

plt.savefig('multi_panel.pdf', dpi=300, bbox_inches='tight')

五、图注（Figure Legend）写作规范

5.1 标题行

要求：简洁描述图表展示的核心发现，一般不超过一句话

示例：

Figure 1 | Treatment A significantly reduces tumor growth in xenograft models.

5.2 描述正文

结构要求：

1. 每个面板的简要说明
2. 实验条件/时间点
3. 样本量和重复信息

示例：

a, Tumor volume measurements over 30 days for control (n=10) and 
treatment groups (n=12). b, Representative histological sections 
stained with H&E. Scale bar, 100 μm. c, Quantification of 
proliferation index from histology images.

5.3 统计信息

必须包含：

• 统计检验方法（t-test, ANOVA, log-rank test 等）
• p 值表示方法（精确值或不等式）
• 样本量（n 数）
• 误差线定义（SD/SEM/95% CI）

示例：

Data are presented as mean ± SEM. Statistical significance was 
determined using two-way ANOVA with Tukey's post-hoc test. 
*p < 0.05, **p < 0.01, ***p < 0.001.

5.4 缩写说明

规则：首次出现的缩写必须在图注中解释

示例：

DEG, differential expressed gene; HR, hazard ratio; CI, 
confidence interval; NS, not significant.

5.5 完整图注示例

Figure 3 | Drug combination therapy improves survival in metastatic 
melanoma patients.

a, Kaplan-Meier survival curves comparing single-agent (n=45) and 
combination therapy (n=52) groups. b, Progression-free survival 
analysis. c, Waterfall plot showing best percentage change in tumor 
burden. d, Spider plot of individual patient responses over time.

Statistical analysis was performed using the log-rank test for 
survival curves and unpaired t-test for tumor burden. HR, hazard 
ratio; CI, confidence interval; PFS, progression-free survival; 
OS, overall survival. *p < 0.05, **p < 0.01.

六、统计标注规范

6.1 显著性标记

星号系统

标注线（Bracket）规范

1. 线宽：0.5-0.8 pt
2. 线型：实线
3. 位置：略高于被比较组的最大值
4. 星号位置：标注线中点上方

6.2 p 值格式

推荐格式

注意事项

• MUST：不要使用 p = 0.000
• RECOMMENDED：p < 0.001 时不再细分
• OPTIONAL：提供精确 p 值作为补充数据

6.3 效应量

何时标注

• RECOMMENDED：临床/生物学意义比统计显著性更重要时
• MUST：生存分析中必须提供 HR（风险比）

常用效应量指标

七、代码实现

7.1 matplotlib 全局配置（rcParams）

import matplotlib as mpl
import matplotlib.pyplot as plt

# === 顶级期刊图表全局配置 ===
publication_rcParams = {
    # 字体设置
    'font.family': 'sans-serif',
    'font.sans-serif': ['Arial', 'Helvetica', 'DejaVu Sans'],
    'font.size': 8,              # 默认字号
    'axes.titlesize': 9,         # 标题字号
    'axes.labelsize': 8,         # 轴标签字号
    'xtick.labelsize': 7,        # X刻度标签
    'ytick.labelsize': 7,        # Y刻度标签
    'legend.fontsize': 7,        # 图例字号
    'figure.titlesize': 9,       # 图标题字号
    
    # 线条设置
    'axes.linewidth': 0.8,       # 坐标轴线宽
    'lines.linewidth': 1.0,      # 数据线线宽
    'lines.markersize': 4,       # 标记大小
    'xtick.major.width': 0.8,    # X主刻度线宽
    'ytick.major.width': 0.8,    # Y主刻度线宽
    'xtick.major.size': 3,       # X主刻度长度
    'ytick.major.size': 3,       # Y主刻度长度
    'xtick.minor.width': 0.6,    # X次刻度线宽
    'ytick.minor.width': 0.6,    # Y次刻度线宽
    
    # 边框设置 - 去除上右边框
    'axes.spines.top': False,
    'axes.spines.right': False,
    
    # 图例设置
    'legend.frameon': False,     # 去除图例边框
    'legend.loc': 'best',
    
    # 分辨率设置
    'figure.dpi': 150,           # 屏幕显示DPI
    'savefig.dpi': 300,          # 保存DPI
    'savefig.bbox': 'tight',     # 去除白边
    'savefig.pad_inches': 0.05,  # 边距
    
    # 矢量格式设置
    'pdf.fonttype': 42,          # 确保PDF字体可编辑
    'ps.fonttype': 42,
    'svg.fonttype': 'none',
    
    # 颜色设置
    'axes.prop_cycle': mpl.cycler(color=[
        '#4477AA', '#EE6677', '#228833', '#CCBB44', 
        '#66CCEE', '#AA3377', '#BBBBBB'
    ]),
}

# 应用配置
mpl.rcParams.update(publication_rcParams)

7.2 标准尺寸常量

# === 期刊标准图片尺寸（inch）===
FIG_WIDTH = {
    'single': 3.54,      # 单栏 ≈ 89 mm
    'one_half': 5.51,    # 1.5 栏 ≈ 140 mm
    'double': 7.48,      # 双栏 ≈ 190 mm
    'full': 7.48,        # 全页宽
}

# 推荐高度（基于黄金比例 0.618 或标准 0.75）
def fig_height(width, aspect='standard'):
    """
    计算推荐高度
    aspect: 'golden' (0.618), 'standard' (0.75), 'wide' (0.5625)
    """
    ratios = {'golden': 0.618, 'standard': 0.75, 'wide': 0.5625}
    return width * ratios.get(aspect, 0.75)

# 常用尺寸组合
FIG_SIZE_SINGLE = (FIG_WIDTH['single'], fig_height(FIG_WIDTH['single']))
FIG_SIZE_DOUBLE = (FIG_WIDTH['double'], fig_height(FIG_WIDTH['double']))

7.3 通用保存函数

import matplotlib.pyplot as plt
from pathlib import Path

def save_publication_figure(fig, filename, formats=None, dpi=300, 
                            output_dir='./figures'):
    """
    保存为多种格式的发表级图表
    
    Parameters
    ----------
    fig : matplotlib.figure.Figure
        要保存的图对象
    filename : str
        文件名（不含扩展名）
    formats : list, optional
        保存格式列表，默认 ['pdf', 'png', 'svg']
    dpi : int, optional
        位图格式DPI，默认300
    output_dir : str, optional
        输出目录
    """
    if formats is None:
        formats = ['pdf', 'png', 'svg']
    
    output_path = Path(output_dir)
    output_path.mkdir(parents=True, exist_ok=True)
    
    for fmt in formats:
        filepath = output_path / f"{filename}.{fmt}"
        
        if fmt in ['pdf', 'svg', 'eps']:
            # 矢量格式不需要dpi
            fig.savefig(
                filepath,
                bbox_inches='tight',
                pad_inches=0.05,
                transparent=False,
                facecolor='white',
                format=fmt
            )
        else:
            # 位图格式使用指定dpi
            fig.savefig(
                filepath,
                dpi=dpi,
                bbox_inches='tight',
                pad_inches=0.05,
                transparent=False,
                facecolor='white',
                format=fmt
            )
        print(f"Saved: {filepath}")
    
    plt.close(fig)

# 使用示例
# fig, ax = plt.subplots(figsize=FIG_SIZE_SINGLE)
# ... 绘图代码 ...
# save_publication_figure(fig, 'figure_1', formats=['pdf', 'png', 'svg'])

7.4 推荐配色常量

# === 色盲友好配色方案 ===

# Okabe-Ito 配色（推荐）
COLORS_OKABE_ITO = [
    '#E69F00',  # 橙色
    '#56B4E9',  # 天蓝色
    '#009E73',  # 绿色
    '#F0E442',  # 黄色
    '#0072B2',  # 蓝色
    '#D55E00',  # 红色
    '#CC79A7',  # 粉色
    '#999999',  # 灰色
]

# Paul Tol Bright 配色
COLORS_TOL_BRIGHT = [
    '#4477AA',  # 蓝色
    '#EE6677',  # 红/粉色
    '#228833',  # 绿色
    '#CCBB44',  # 黄色
    '#66CCEE',  # 青色
    '#AA3377',  # 紫色
    '#BBBBBB',  # 灰色
]

# Paul Tol Vibrant 配色
COLORS_TOL_VIBRANT = [
    '#EE7733',  # 橙
    '#0077BB',  # 蓝
    '#33BBEE',  # 青
    '#EE3377',  # 玫红
    '#CC3311',  # 红
    '#009988',  # 青绿
    '#BBBBBB',  # 灰
]

# 生物医学专用配色
COLORS_BIOMED = {
    'up': '#D73027',           # 上调 - 红
    'down': '#4575B4',         # 下调 - 蓝
    'ns': '#CCCCCC',           # 不显著 - 灰
    'control': '#999999',      # 对照组 - 灰
    'treatment': '#E69F00',    # 治疗组 - 橙
}

# 灰度友好的配色（用于打印）
COLORS_PRINT_FRIENDLY = [
    '#000000',  # 黑
    '#444444',  # 深灰
    '#888888',  # 中灰
    '#CCCCCC',  # 浅灰
    '#FFFFFF',  # 白（填充）
]

7.5 seaborn 主题配置

import seaborn as sns
import matplotlib.pyplot as plt

def set_publication_theme():
    """
    设置Seaborn发表级主题
    """
    # 使用paper上下文（最紧凑）
    sns.set_theme(
        context='paper',
        style='ticks',  # 仅显示刻度线
        palette='deep',
        font='sans-serif',
        font_scale=0.9,
        rc={
            'axes.spines.top': False,
            'axes.spines.right': False,
            'axes.linewidth': 0.8,
            'xtick.major.width': 0.8,
            'ytick.major.width': 0.8,
            'xtick.major.size': 3,
            'ytick.major.size': 3,
        }
    )

# 使用示例
set_publication_theme()
# ... seaborn绘图代码 ...

7.6 统计标注辅助函数

import matplotlib.pyplot as plt
from matplotlib.patches import FancyBboxPatch

def add_significance_bar(ax, x1, x2, y, p_value, h=0.02, text_offset=0.01):
    """
    在图中添加显著性标注线和星号
    
    Parameters
    ----------
    ax : matplotlib.axes.Axes
    x1, x2 : 要比较的两组x坐标
    y : 标注线的y坐标
    p_value : p值
    h : 垂线高度（相对坐标）
    text_offset : 文字偏移量
    """
    # 转换到数据坐标
    ylim = ax.get_ylim()
    h_abs = (ylim[1] - ylim[0]) * h
    offset_abs = (ylim[1] - ylim[0]) * text_offset
    
    # 确定标记
    if p_value < 0.0001:
        sig_text = '****'
    elif p_value < 0.001:
        sig_text = '***'
    elif p_value < 0.01:
        sig_text = '**'
    elif p_value < 0.05:
        sig_text = '*'
    else:
        sig_text = 'ns'
    
    # 绘制连接线
    ax.plot([x1, x1, x2, x2], 
            [y, y + h_abs, y + h_abs, y], 
            linewidth=0.8, color='black')
    
    # 添加文字
    ax.text((x1 + x2) / 2, y + h_abs + offset_abs, sig_text,
            ha='center', va='bottom', fontsize=8)

# 使用示例
# add_significance_bar(ax, 0, 1, 18, 0.003)

八、提交前自检清单（Checklist）

8.1 技术规范检查

• 分辨率：位图 ≥300 DPI，线条图 ≥600 DPI
• 输出格式：提供矢量格式（PDF/EPS/SVG）和高分辨率位图（TIFF/PNG）
• 图片尺寸：符合目标期刊要求（单栏/双栏）
• 字体：使用 Arial/Helvetica，字号 ≥6 pt
• 可读性测试：缩放到实际印刷尺寸后所有文字仍可读
• 文件大小：不超出期刊投稿系统限制

8.2 设计质量检查

• 边框：去除上/右边框（仅保留左/下轴线）
• 3D效果：无3D效果、阴影、渐变
• 背景：纯白色背景
• 图例：图例位置不遮挡数据
• 配色：颜色方案对色盲友好
• 区分方式：不仅靠颜色区分（辅以形状/线型/纹理）
• 网格：无网格或极浅灰色网格
• 原始数据透明展示：柱状图/箱线图使用半透明填充（alpha=0.4-0.6）叠加个体数据点（alpha=0.7-0.9），避免纯色遮挡

8.3 数据完整性检查

• 误差线：柱状图/折线图包含误差线
• 误差类型：图注明确误差线类型（SD/SEM/95%CI）
• 统计标注：显著性标记正确（p值格式、星号系统）
• 样本量：图注中注明样本量（n数）
• 坐标轴标签：完整且包含单位
• 坐标轴范围：合理设置，不误导（柱状图Y轴从0开始）

8.4 多面板检查

• 面板编号：每个面板有清晰的编号（a, b, c...）
• 编号格式：使用粗体、足够大的字号（10-12 pt）
• 编号位置：左上角或左下角
• 对齐：面板之间对齐整齐
• 间距：面板间距一致
• 共享标签：共享的坐标轴标签统一

8.5 图注检查

• 标题：简洁描述核心发现
• 面板说明：每个面板有独立说明
• 统计方法：注明统计检验方法
• 样本量：重复信息完整
• 缩写：首次出现的缩写已解释
• 比例尺：图像包含比例尺说明

8.6 图像完整性

• 完整性检查：无拼接痕迹、无异常重复模式
• 未裁剪：未不当裁剪数据
• 调整声明：所有图像处理步骤在方法中声明
• 原始数据：保留所有原始图像文件

九、常见错误与审稿人关注点

9.1 最常导致返修的图表问题

9.2 学科特殊注意事项

生物医学/临床医学

• 生存分析：必须包含风险表（number at risk）
• 免疫组化：提供染色评分标准
• Western Blot：提供完整膜图，标注分子量
• 显微镜图像：包含比例尺和染色说明

生物信息学/基因组学

• 热图：必须进行行/列聚类
• 火山图：明确fold change和p值阈值
• PCA/t-SNE：解释方差百分比
• 通路分析：注明数据库和版本

工程技术

• 电路图：使用标准IEEE符号
• 流程图：遵循标准符号规范
• 机械图：包含尺寸标注和公差
• 算法图：伪代码与图示一致

社会科学

• 问卷数据：说明量表类型和评分标准
• 定性数据：提供编码示例
• 地理数据：包含地图投影说明

9.3 伦理与诚信

• 图像处理：仅允许亮度/对比度整体调整，不允许局部修改
• 数据完整性：不得删除"异常值"而不报告
• 重复发表：同一数据不得在多篇文章中重复发表而不引用
• 第三方图像：必须获得使用许可并注明来源

十、推荐工具与资源

10.1 Python 库

10.2 R 包

10.3 在线工具

10.4 参考资源

1. Tufte, E.R. (2001). The Visual Display of Quantitative Information. 2nd Ed.
2. Cleveland, W.S. (1994). The Elements of Graphing Data. 2nd Ed.
3. Wilke, C.O. (2019). Fundamentals of Data Visualization. O'Reilly.
4. Healy, K. (2018). Data Visualization: A Practical Introduction. Princeton.

十一、快速参考卡（Quick Reference）

尺寸速查

单栏 (89 mm)    = 3.54 inch ≈ 250 pixels @ 72 DPI
双栏 (183 mm)   = 7.48 inch ≈ 540 pixels @ 72 DPI
最小字号: 6 pt  = 2.1 mm  ≈ 6 pixels @ 300 DPI

DPI速查

屏幕显示:     72-96 DPI
网页/演示:    150 DPI
期刊印刷:     300 DPI (彩色/灰度)
线条图:       600-1200 DPI

字号速查

面板编号:     10-12 pt, bold
图表标题:     9-10 pt
轴标签:       8 pt
刻度标签:     7 pt
图例:         7 pt
最小可读:     5-6 pt

线宽速查

数据线:       1.0-1.5 pt
坐标轴:       0.8 pt
误差线:       0.8 pt
显著性标记线:  0.8 pt
边框线:       0.5-1.0 pt

代码调试速查

版本历史

参考来源

本技能文档基于以下官方指南和权威资源编制。按关联章节索引，便于快速定位：

本文档遵循 CC BY 4.0 协议，可自由分享和修改，但需注明来源。