scientific-visualization

name	scientific-visualization
description	面向发表级图表的元技能。适用于需要多面板布局、显著性标注、误差线、色盲安全配色和特定期刊格式要求的投稿图表。协调 matplotlib、seaborn、plotly 及其发表风格；若只是快速探索，直接使用 seaborn 或 plotly 即可。
license	MIT license
metadata	{"skill-author":"K-Dense Inc.","acadclaw":{"profiles":["coder"],"produces":["plots"],"consumes":["experiment_results"]}}

科学可视化

概述

科学可视化的目标，是把数据转成适合发表的清晰、准确图表。它强调多面板布局、误差线、显著性标记与色盲安全配色，并支持使用 matplotlib、seaborn、plotly 导出 PDF、EPS、TIFF 等投稿格式。

何时使用这个技能

当你遇到以下场景时，应优先使用这个技能：

• 为科研论文创建图表或可视化内容
• 为期刊投稿准备图形（Nature、Science、Cell、PLOS 等）
• 确保图表对色盲用户友好并满足可访问性要求
• 制作风格统一的多面板图
• 以正确分辨率和格式导出图表
• 遵循特定期刊的投稿规范
• 改进已有图表以满足发表标准
• 制作在彩色和灰度打印下都可辨识的图表

快速开始

基础发表级图表示例

import matplotlib.pyplot as plt
import numpy as np

# 应用发表风格（来自 scripts/style_presets.py）
from style_presets import apply_publication_style
apply_publication_style('default')

# 创建合适尺寸的图（单栏约 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)')

# 设置带单位的规范标签
ax.set_xlabel('Time (seconds)')
ax.set_ylabel('Amplitude (mV)')
ax.legend(frameon=False)

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

# 按投稿格式保存（来自 scripts/figure_export.py）
from figure_export import save_publication_figure
save_publication_figure(fig, 'figure1', formats=['pdf', 'png'], dpi=300)

使用预设风格

可通过 assets/ 中的 matplotlib 样式文件套用特定期刊风格：

import matplotlib.pyplot as plt

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

# 方式 2：使用 style_presets.py 辅助函数
from style_presets import configure_for_journal
configure_for_journal('nature', figure_width='single')

# 之后创建的图会自动匹配 Nature 常见规范
fig, ax = plt.subplots()
# ... your plotting code ...

用 Seaborn 快速起步

统计图更适合结合 seaborn 和投稿风格一起使用：

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

# 应用投稿风格
apply_publication_style('default')
sns.set_theme(style='ticks', context='paper', font_scale=1.1)
sns.set_palette('colorblind')

# 创建统计对比图
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()

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

核心原则与最佳实践

1. 分辨率与文件格式

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

• 位图图像（照片、显微图）：300-600 DPI
• 线稿图（graphs、plots）：600-1200 DPI，或直接使用矢量格式
• 矢量格式（优先）：PDF、EPS、SVG
• 位图格式：TIFF、PNG（科研数据图不要使用 JPEG）

实现方式：

# 使用 figure_export.py 获得正确导出设置
from figure_export import save_publication_figure

# 以正确 DPI 导出多种格式
save_publication_figure(fig, 'myfigure', formats=['pdf', 'png'], dpi=300)

# 或按特定期刊要求导出
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

始终使用色盲友好配色（详见 references/color_palettes.md）：

推荐：Okabe-Ito 配色（对常见色觉缺陷都较易区分）：

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

# 方式 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：

• 使用感知均匀色图，如 viridis、plasma、cividis
• 避免红绿发散色图，优先使用 PuOr、RdBu、BrBG
• 不要使用 jet 或 rainbow 色图

始终在灰度条件下测试图件，确保不依赖颜色也能读懂。

3. 字体与文本

字体规范（详见 references/publication_guidelines.md）：

• 无衬线字体：Arial、Helvetica、Calibri
• 按最终印刷尺寸计算时的最小字号：
  • 坐标轴标签：7-9 pt
  • 刻度标签：6-8 pt
  • 面板标签：8-12 pt（通常加粗）
• 标签建议使用 sentence case，如 Time (hours)，而不是 TIME (HOURS)
• 单位始终放在括号中

实现方式：

# 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. 图形尺寸

期刊常见宽度（详见 references/journal_requirements.md）：

• Nature: Single 89 mm, Double 183 mm
• Science: Single 55 mm, Double 175 mm
• Cell: Single 85 mm, Double 178 mm

检查图尺寸是否合规：

from figure_export import check_figure_size

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

5. 多面板图

最佳实践：

• 使用加粗字母标记面板，如 A、B、C（多数期刊使用大写，Nature 常用小写）
• 所有面板保持一致的风格
• 尽量沿边缘对齐面板
• 面板之间保留足够留白

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])
# ... create other panels ...

# 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：创建发表级折线图

完整代码见 references/matplotlib_examples.md 的 Example 1。

关键步骤：

1. 应用投稿风格
2. 按目标期刊设置合适图尺寸
3. 使用色盲友好配色
4. 正确添加误差表达（SEM、SD 或 CI）
5. 坐标轴标签写清单位
6. 去除不必要边框线
7. 以矢量格式保存

如果使用 seaborn 自动绘制置信区间：

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('Time (hours)')
ax.set_ylabel('Measurement (AU)')
sns.despine()

任务 2：创建多面板图

完整代码见 references/matplotlib_examples.md 的 Example 2。

关键步骤：

1. 使用 GridSpec 构造灵活布局
2. 保证各面板风格一致
3. 添加加粗面板标签（A、B、C 等）
4. 对齐相关面板
5. 确保最终尺寸下所有文字都可读

任务 3：创建使用正确色图的热图

完整代码见 references/matplotlib_examples.md 的 Example 4。

关键步骤：

1. 使用感知均匀色图（viridis、plasma、cividis）
2. 添加带标签的 colorbar
3. 对发散型数据，使用色盲友好的发散色图（RdBu_r、PuOr）
4. 为发散色图设置合适中心值
5. 测试灰度下的可读性

如果用 seaborn 绘制相关矩阵：

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：为特定期刊准备图件

工作流：

1. 先查看期刊要求：references/journal_requirements.md
2. 再按期刊配置 matplotlib：

   from style_presets import configure_for_journal
   configure_for_journal('nature', figure_width='single')
   

3. 创建图件（会自动采用合适尺寸）
4. 按期刊规范导出：

   from figure_export import save_for_journal
   save_for_journal(fig, 'figure1', journal='nature', figure_type='line_art')
   

任务 5：修复现有图件，使其满足投稿标准

清单式检查法（完整清单见 references/publication_guidelines.md）：

1. 检查分辨率：确认 DPI 符合期刊要求
2. 检查文件格式：图表优先矢量格式，图像优先 TIFF / PNG
3. 检查颜色：确保色盲友好
4. 检查字体：最终尺寸下至少 6-7 pt，优先无衬线字体
5. 检查标签：所有坐标轴都写明单位
6. 检查尺寸：与期刊栏宽匹配
7. 测试灰度：不依赖颜色也能解读
8. 去除图表噪声：不要有多余网格、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 中已验证的配色
2. 增加冗余编码，如线型、marker、纹理
3. 使用色盲模拟器进行测试
4. 确保灰度下也可读

示例：

from color_palettes import apply_palette
import matplotlib.pyplot as plt

apply_palette('okabe_ito')

# 在颜色之外增加冗余编码
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

通常应包含：

• 误差表达（SD、SEM 或 CI，并在图注中写清）
• 样本量 n（图中或图注中给出）
• 统计显著性标记（*、**、***）
• 如果可能，展示单个样本点，而不仅是汇总统计

统计示例：

# 同时展示单点与汇总统计
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)

与不同绘图库配合使用

Matplotlib

• 对投稿细节的控制力最强
• 最适合复杂多面板图
• 可结合提供的 style 文件保持格式一致
• 更完整的示例见 references/matplotlib_examples.md

Seaborn

Seaborn 是建立在 matplotlib 之上的高层统计绘图库，偏向数据集导向接口。它非常适合用较少代码快速生成投稿质量的统计图，同时保留与 matplotlib 定制能力的兼容性。

在科学可视化中的主要优势：

• 可自动进行统计估计和置信区间绘制
• 内建多面板分面支持（faceting）
• 默认就有较好的色盲友好配色支持
• 基于 pandas DataFrame 的数据集导向 API
• 便于把变量映射到颜色、形状、线型等视觉属性

结合投稿风格的快速开始

建议先应用 matplotlib 的投稿风格，再配置 seaborn：

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

# 应用投稿风格
apply_publication_style('default')

# 配置 seaborn 用于投稿图
sns.set_theme(style='ticks', context='paper', font_scale=1.1)
sns.set_palette('colorblind')  # Use colorblind-safe palette

# 创建图形
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()  # Remove top and right spines

投稿中常见的图形类型

统计比较图：

# 用箱线图叠加单点，提升透明度
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('Response (μM)')
sns.despine()

分布分析图：

# 分裂式小提琴图，用于比较两组分布
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('Gene Expression (AU)')
sns.despine()

相关矩阵：

# 使用合适色图与标注的热图
fig, ax = plt.subplots(figsize=(5, 4))
corr = df.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))  # Show only lower triangle
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()

带置信带的时间序列图：

# 自动计算置信区间的折线图
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('Time (hours)')
ax.set_ylabel('Measurement (AU)')
sns.despine()

用 Seaborn 构造多面板图

使用 FacetGrid 自动分面：

# 创建分面图
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()

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

把 seaborn 与 matplotlib 子图结合使用：

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

# 面板 A：带回归线的散点图
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：分布对比图
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：时间序列图
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()

投稿图的配色方案

Seaborn 内置了多种色盲友好配色：

# 使用内置 colorblind 配色（推荐）
sns.set_palette('colorblind')

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

# 热图和连续数据的色图示例
sns.heatmap(data, cmap='viridis')  # Perceptually uniform
sns.heatmap(corr, cmap='RdBu_r', center=0)  # Diverging, centered

何时使用 Axes-Level 与 Figure-Level 接口

Axes-level functions（如 scatterplot、boxplot、heatmap）：

• 适合构造自定义多面板布局
• 可通过 ax= 精确指定位置
• 更容易与 matplotlib 子图系统集成
• 对图整体构图的控制力更强

fig, ax = plt.subplots(figsize=(3.5, 2.5))
sns.scatterplot(data=df, x='x', y='y', hue='group', ax=ax)

Figure-level functions（如 relplot、catplot、displot）：

• Use for automatic faceting by categorical variables
• Create complete figures with consistent styling
• Great for exploratory analysis
• Use height and aspect for sizing

g = sns.relplot(data=df, x='x', y='y', col='category', kind='scatter')

Statistical Rigor with Seaborn

Seaborn automatically computes and displays uncertainty:

# Line plot: shows mean ± 95% CI by default
sns.lineplot(data=df, x='time', y='value', hue='treatment',
             errorbar=('ci', 95))  # Can change to 'sd', 'se', etc.

# Bar plot: shows mean with bootstrapped CI
sns.barplot(data=df, x='treatment', y='response',
            errorbar=('ci', 95), capsize=0.1)

# Always specify error type in figure caption:
# "Error bars represent 95% confidence intervals"

Best Practices for Publication-Ready Seaborn Figures

1. Always set publication theme first:

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

2. Use colorblind-safe palettes:

   sns.set_palette('colorblind')
   

3. Remove unnecessary elements:

   sns.despine()  # Remove top and right spines
   

4. Control figure size appropriately:

   # Axes-level: use matplotlib figsize
   fig, ax = plt.subplots(figsize=(3.5, 2.5))
   
   # Figure-level: use height and aspect
   g = sns.relplot(..., height=3, aspect=1.2)
   

5. Show individual data points when possible:

   sns.boxplot(...)  # Summary statistics
   sns.stripplot(..., alpha=0.3)  # Individual points
   

6. Include proper labels with units:

   ax.set_xlabel('Time (hours)')
   ax.set_ylabel('Expression (AU)')
   

7. Export at correct resolution:

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

Advanced Seaborn Techniques

Pairwise relationships for exploratory analysis:

# Quick overview of all relationships
g = sns.pairplot(data=df, hue='condition', 
                 vars=['gene1', 'gene2', 'gene3'],
                 corner=True, diag_kind='kde', height=2)

Hierarchical clustering heatmap:

# Cluster samples and features
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-score'})

Joint distributions with marginals:

# Bivariate distribution with context
g = sns.jointplot(data=df, x='gene1', y='gene2',
                  hue='treatment', kind='scatter',
                  height=6, ratio=4, marginal_kws={'kde': True})

Common Seaborn Issues and Solutions

Issue: Legend outside plot area

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

Issue: Overlapping labels

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

Issue: Text too small at final size

sns.set_context('paper', font_scale=1.2)  # Increase if needed

Additional Resources

For more detailed seaborn information, see:

• scientific-packages/seaborn/SKILL.md - Comprehensive seaborn documentation
• scientific-packages/seaborn/references/examples.md - Practical use cases
• scientific-packages/seaborn/references/function_reference.md - Complete API reference
• scientific-packages/seaborn/references/objects_interface.md - Modern declarative API

Plotly

• Interactive figures for exploration
• Export static images for publication
• Configure for publication quality:

fig.update_layout(
    font=dict(family='Arial, sans-serif', size=10),
    plot_bgcolor='white',
    # ... see matplotlib_examples.md Example 8
)
fig.write_image('figure.png', scale=3)  # scale=3 gives ~300 DPI

Resources

References Directory

按需加载以下文档以获取详细信息：

• publication_guidelines.md: 综合最佳实践

  • 分辨率与文件格式要求
  • 字体排版规范
  • 布局与构图规则
  • 统计严谨性要求
  • 完整投稿检查清单

• color_palettes.md: 配色使用指南

  • 带 RGB 数值的色盲友好配色规范
  • 顺序色图和发散色图建议
  • 可访问性测试流程
  • 领域专用配色（如基因组学、显微成像）

• journal_requirements.md: 期刊专属技术规范

  • 不同出版社的技术要求
  • 文件格式与 DPI 规范
  • 图件尺寸要求
  • 快速参考表

• matplotlib_examples.md: 实用代码示例

  • 10 个完整可运行示例
  • 折线图、柱状图、热图、多面板图
  • 期刊定制图表示例
  • 各绘图库使用提示（matplotlib、seaborn、plotly）

Scripts Directory

使用这些辅助脚本完成自动化处理：

• figure_export.py: 导出工具

  • save_publication_figure(): 按正确 DPI 导出多种格式
  • save_for_journal(): 自动套用期刊专属要求
  • check_figure_size(): 校验图件尺寸是否符合期刊规范
  • 可直接运行：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（default、nature、science、cell）
  • set_color_palette(): 快速切换配色
  • configure_for_journal(): 一条命令完成期刊配置
  • 可直接运行：python scripts/style_presets.py 查看示例

Assets Directory

在图件中使用以下资源文件：

• color_palettes.py: 可导入的颜色定义

  • 所有推荐配色都以 Python 常量提供
  • 提供 apply_palette() 辅助函数
  • 可直接导入 notebook 或脚本

• Matplotlib 样式文件：可配合 plt.style.use() 使用

  • publication.mplstyle: 通用投稿质量样式
  • nature.mplstyle: Nature 期刊规范样式
  • presentation.mplstyle: 适合海报或幻灯片的大字号样式

工作流概览

推荐的投稿图件工作流：

1. 规划：确定目标期刊、图件类型和内容
2. 配置：为目标期刊应用合适样式

   from style_presets import configure_for_journal
   configure_for_journal('nature', 'single')
   

3. 创建：使用正确标签、颜色和统计呈现构建图件
4. 验证：检查尺寸、字体、颜色和可访问性

   from figure_export import check_figure_size
   check_figure_size(fig, journal='nature')
   

5. 导出：按要求格式保存

   from figure_export import save_for_journal
   save_for_journal(fig, 'figure1', 'nature', 'combination')
   

6. 复查：在论文排版语境下按最终尺寸检查效果

常见陷阱

1. 字体过小：按最终尺寸打印后无法辨认
2. JPEG 格式：图表不要使用 JPEG（会产生压缩伪影）
3. 红绿色配色：约 8% 的男性无法区分
4. 分辨率过低：投稿图件会出现像素化
5. 缺少单位：坐标轴必须标明单位
6. 3D 效果：会扭曲感知，应完全避免
7. 图表杂讯：删除不必要的网格线和装饰元素
8. 截断坐标轴：柱状图应从零开始，除非有充分科学理由
9. 风格不一致：同一篇稿件中的图件不应使用不同字体或配色体系
10. 没有误差条：必须展示不确定性

最终检查清单

投稿前请确认：

• Resolution meets journal requirements (300+ DPI)
• File format is correct (vector for plots, TIFF for images)
• Figure size matches journal specifications
• All text readable at final size (≥6 pt)
• Colors are colorblind-friendly
• Figure works in grayscale
• All axes labeled with units
• Error bars present with definition in caption
• Panel labels present and consistent
• No chart junk or 3D effects
• Fonts consistent across all figures
• Statistical significance clearly marked
• Legend is clear and complete

Use this skill to ensure scientific figures meet the highest publication standards while remaining accessible to all readers.